复杂度分析是整个算法的精髓。
从 CPU 的角度来看,这段代码的每一行都执行着类似的操作:读数据-运算-写数据。尽管每行代码对应的 CPU 执行的个数、执行的时间都不一样,但是,我们这里只是粗略估计,所以可以假设每行代码执行的时间都一样,为 unit_time。
所有代码的执行时间 T(n) 与每行代码的执行次数 n 成正比
大 O 复杂度表示法
粗略地估计算法的执行效率的方法;
T(n)表示代码执行的时间;
n 表示数据规模的大小;
f(n) 表示每行代码执行的次数总和。因为这是一个公式,所以用 f(n) 来表示。
公式中的 O,表示代码的执行时间 T(n) 与 f(n) 表达式成正比。
大 O 时间复杂度实际上并不具体表示代码真正的执行时间,而是表示代码执行时间随数据规模增长的变化趋势,所以,也叫作渐进时间复杂度(asymptotic time complexity),简称时间复杂度。
1. 只关注循环执行次数最多的一段代码
2. 加法法则:总复杂度等于量级最大的那段代码的复杂度
3. 乘法法则:嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
几种常见时间复杂度实例分析
我们可以粗略地分为两类,多项式量级和非多项式量级。其中,非多项式量级只有两个:O(2n) 和 O(n!)。
O(1)
或者说,一般情况下,只要算法中不存在循环语句、递归语句,即使有成千上万行的代码,其时间复杂度也是Ο(1)
2. O(logn)、O(nlogn)
对数阶时间复杂度非常常见,同时也是最难分析的一种时间复杂度。
i := 1
for i <= n {
i = i * 2
}
变量 i 的值从 1 开始取,每循环一次就乘以 2。当大于 n 时,循环结束。还记得我们高中学过的等比数列吗?实际上,变量 i 的取值就是一个等比数列。如果我把它一个一个列出来,就应该是这个样子的
我们只要知道 x 值是多少,就知道这行代码执行的次数了。通过2x=n 求解 x x=log2n,所以,这段代码的时间复杂度就是 O(log2N).
log3n 就等于 log32 * log2n,所以 O(log3n) = O(C * log2n),其中 C=log32 是一个常量。
3. O(m+n)、O(m*n)
func cal(m, n int) {
sum_1 := 0
i := 1
for ; i < m; i++ {
sum_1 = sum_1 + i
}
sum_2 := 0
j := 1
for ; j < n; j++ {
sum_2 := sum_2 + j
}
return sum_1 + sum_2
}
m 和 n 是表示两个数据规模。我们无法事先评估 m 和 n 谁的量级大,所以我们在表示复杂度的时候,就不能简单地利用加法法则,省略掉其中一个.
空间复杂度分析
func print(n int) {
i := 0;
a := [n]int{}
for i; i <n; i++ {
a[i] = i * i;
}
for i = n-1; i >= 0; i-- {
fmt.Println(a[i])
}
}
我们可以看到,第 2 行代码中,我们申请了一个空间存储变量 i,但是它是常量阶的,跟数据规模 n 没有关系,所以我们可以忽略。第 3 行申请了一个大小为 n 的 int 类型数组,除此之外,剩下的代码都没有占用更多的空间,所以整段代码的空间复杂度就是 O(n)。
我们常见的空间复杂度就是 O(1)、O(n)、O(n2 ),像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到。而且,空间复杂度分析比时间复杂度分析要简单很多。所以,对于空间复杂度,掌握刚我说的这些内容已经足够了。
最好情况复杂度分析:在最理想的情况下,执行这段代码的时间复杂度
最坏情况复杂度分析:在最糟糕的情况下,执行这段代码的时间复杂度
平均情况复杂的分析:加权平均值
均摊时间复杂度:场景比较特殊,一般用不到。
// array 表示一个长度为 n 的数组
// 代码中的 len(array)就等于 n
array := [n]int{}
count := 0
func insert(val int) {
if count == len(array) {
sum := 0
for i := 0; i <len(array); i++ {
sum = sum + array[i]
}
array[0] = sum
count = 1
}
array[count] = val
count++
}
每一次 O(n) 的插入操作,都会跟着 n-1 次 O(1) 的插入操作,所以把耗时多的那次操作均摊到接下来的 n-1 次耗时少的操作上,均摊下来,这一组连续的操作的均摊时间复杂度就是 O(1)。这就是均摊分析的大致思路