在这里,我们引入了时间复杂度和空间复杂度这两个概念作为选择适合算法的重要依据,一般对比算法的好坏基本上从它的时间复杂度和空间复杂度来综合判断就可以得出哪个更适合,复杂度通常来说越小越好。
算法的时间复杂度和空间复杂度的作用:时间复杂度是指执行这个算法所需要的计算工作量;而空间复杂度是指执行这个算法所需要的内存空间。时间和空间(即寄存器)都是计算机资源的重要体现,而算法的复杂性就是体现在运行该算法时的计算机所需的资源多少。
我们常见的时空复杂度有:O(1)、O(n)、O(n^2)、O(log n)、O(n log n)。
1.把输入规模看成x轴,所花时间/空间看成y轴
O(n)就是y=x,y随x的增长而线性增长。也就是成正比,一条斜线。
O(1)就是y=1,是一个常量,不管x怎么变,y不变,一条与x轴平行的线。
2.举个简单的例子,要从0加到n,我们会这么写:
int sum = 0;
for(int i = 0;i<=n;++i) {
sum + = i;
}
一共算了n次加法,那么就说这个时间复杂度是O(n)。当然O(n)的精确的概念是,是n的最高次方,比如,某个计算共计算了3n+2次,那么这个时间复杂度也是O(n),因为3n+2中的最高次方是n。
如果代码这么写:
int sum = 0;
for(int i = 0;i<= n;i++) {
for(int j = 0;j<= n;j++) {
sum + = (i + j);
}
}
很明显一共算了n2次加法,那么就说这个时间复杂度是O(n2),和这个上面的类似,如果某个算法计算了3n2+n+1次,其时间复杂度仍然是O(n2),因为3n2+n+1中的最高的次方是n2,所谓O1就是计算的次数是常量,我们还以上面从0到n的例子来说,如果我们用等差数列的公式,那么,代码可以这么写:
int sum = n*(n+1)/2
不管n有多大(当然不能溢出了),通过上面的公式只需要计算一次,也就是说计算的次数是不变的,这种情况的时间复杂度就可以说成O(1),再比如这个计算,不管其他条件如何变化,均只计算5次就能计算出结果,那么这种情况就是时间复杂度,也就是O(1)。
3.要在hash表中找到一个元素就是O(1)
要在无序数组中找到一个元素就是O(n)
访问数组的第n个元素是O(1)
访问链表的第n个元素是O(n)
也就是说:
如果实现中没有循环就是O(1)
如果实现中有一个循环就是O(n)
4.算法复杂度:算法复杂度分为时间时间复杂度和空间复杂度。其作用是:时间复杂度是度量算法执行时间的长短;而空间复杂度是指算法所需存储空间的大小。
5.时间复杂度的分析方法
- 时间复杂度就是函数中基本操作所执行的次数
- 一般默认的是最坏时间复杂度,即分析最坏情况下所能执行的次数
- 忽略掉常数项
- 关注运行时间的增长趋势,关注函数式中增长最快的表达式,忽略系数
- 计算时间复杂度是估算随着n的增长函数执行次数的增长趋势
- 递归算法的时间复杂度为:递归总次数 * 每次递归中基本操作所执行的次数
- 常用的时间复杂度有以下七种,算法时间复杂度依次增加:O(1)常数型、O(log2 n)对数型、O(n)线性型、O(nlog2n)二维型、O(n2)平方型、O(n3)立方型、O(2^n)指数型.
6.常用排序算法的时间复杂度