复杂度分析

最新推荐文章于 2023-02-04 10:19:20 发布

LiLiLiLaLa

最新推荐文章于 2023-02-04 10:19:20 发布

阅读量577

点赞数 3

分类专栏：数据结构和算法文章标签：时间复杂度空间复杂度

本文链接：https://blog.csdn.net/LiLiLiLaLa/article/details/89380024

版权

数据结构和算法专栏收录该内容

5 篇文章 0 订阅

订阅专栏

1.为何需要复杂度分析

我们大可以将代码跑一便，通过统计、监控等手段可以得到算法执行时间和占用内存情况，为什么还要做时间空间复杂度分析呢？这种方法其实也是正确的，叫做事后统计法，但是这种方法具有非常大的局限性，其原因如下：

测试结果非常依赖测试环境
测试结果受数据规模影响较大

所以，我们通常使用时间复杂度和空间复杂度两种方式表示算法的复杂度

2.大O时间复杂度表示

int cal(int n){
    int sum = 0;
    int i = 1;
    for(; i <= n; ++ i){
        sum = sum + i;
        }
        return sum;
}

把CPU执行每行代码的时间看做相同，称为unit_time，如上代码时间复杂度：T(n) = 2n + 4，用大O时间复杂度表示：T(n) = O(n)

一段代码执行时间与行数有关，所以抽象出一个公式：

T(n) = O(f(n))
其中O表示代码的执行时间T(n)与f(n)表达式成正比
也就是所有代码的执行时间T(n)与每行代码执行次数n成正比
大O时间复杂度代表的不是代码真正的执行时间，而是代码执行时间随数据规模增长的一种渐进趋势，所以也叫做渐进时间复杂度，简称时间复杂度
大O时间复杂度只需要记录最大量级

int cal(int n){
    int sum = 0;
    int i = 1;
    int j = 1;
    for(i = 1; i < n; ++ i){
        j = 1;
        for(j = 1; j <= n; ++ j){
            sum = sum + i;
        }
    }
    return sum;
}

上述代码时间复杂度：T(n) = O(2n^2 + 2n + 3)，用大O时间复杂度表示：T(n) = O(n ^ 2)

3.常用的分析时间复杂度的方法

3.1.只关心循环次数最多的代码

适用于代码中只要一个循环体

int cal(int n){
    int sum = 0;
    int i = 1;
    for(; i <= n; ++ i){
        sum = sum + i;
        }
        return sum;
}

T(n) = O(n)

3.2.加法法则，总复杂度等于量级最大的代码

适用于代码中有多个循环体

int cal(int n){
    int sum_1 = 0;
    int p = 1;
    for(; p < 100; ++ p){
        sum_1 = sum_1 + p;
        }
    int sum_2 = 0;
    int q = 1;
    for(; q < 100; ++ q){
        sum_2 = sum_2 + q;
    }
    int sum_3 = 0;
    int i = 1;
    int j = 1;
    for(; i <= n; ++ i){
        j = 1;
        for(; j <= n; ++ j){
            sum_3 = sum_3 + i * j;
        }
    }
    return sum_1 + sum_2 + sum_3;
}

T(n) = O(n ^ 2)

3.3.乘法法则，嵌套代码的复杂度等于内外复杂度乘积

int cal(int n){
    int ret = 0;
    int i = 1;
    for(; i < n; ++ i){
        ret = ret + f(i);    
    }
}

int f(int n){
    int sum = 0;
    int i = 1;
    for(; i < n; ++ i){
        sum = sum + i;
    }
    return sum;
}

T(n) = O(n ^ 2)

4.常见的复杂度量级

复杂度量级分为两类：

多项式时间复杂度
- 常数级时间复杂度 O(1)
  只要代码数据规模不随n的增长变化
- 对数级时间复杂度 O(log n)
- 线性阶 O(n)
- O(m + n)
  由于m和n的数据规模不定，因此使用加法原则保留两者的复杂度
- 线性对数阶 O(nlog n)
- 平方阶 O(n ^ 2)
- 立方阶 O(n ^ 3)
- k次方阶 O(n ^ k)
非多项式时间复杂度
- 增数阶 O(2 ^ n)
- 阶乘阶 O(n!)

当n越来越大时，非多项式的时间复杂度急剧增加，因此非多项式的算法基本不用

5.最好、最坏、平均时间复杂度

int find(int[] array, int n, int x){
    int i = 0;
    int pos = -1;
    for(; i < n; ++ i){
        if(array[i] == x){
            pos = i;
            break;
        }
    }
    return pos;
}