Day2.时间复杂度算法
复杂度分析是整个算法学习的精髓,只要掌握了它,数据结构和算法的内容基本上就掌握了一半。
大 O 复杂度表示法 #趋势
int cal(int n) {
int sum = 0; //运行一次
int i = 1; //运行一次
for (; i <= n; ++i) { //运行n次
sum = sum + i; //运行n次
}
return sum;
}//总共运行了2n+2次
可以发现: 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。
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。
所以例子代码执行时间 T(n) = O(2n+2) 就是大 O 时间复杂度表示法
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,只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。
如何进行时间复杂度分析
1. 只关注循环执行次数最多的一段代码
大 O 这种复杂度表示方法只是表示一种变化趋势 ,通常会忽略掉公式中的常量、低阶、系数,只需要记录一个最大阶的量级就可以啦
我们在分析一个算法、一段代码的时间复杂度的时候,也只关注循环执行次数最多的那一段代码就可以了。这段核心代码执行次数的 n 的量级,就是整段要分析代码的时间复杂度
int cal(int n) {
int sum = 0; //运行一次
int i = 1; //运行一次
for (; i <= n; ++i) { //运行n次
sum = sum + i; //运行n次
}
return sum;
}
其中第 2、3 行代码都是常量级的执行时间,与 n 的大小无关,所以对于复杂度并没有影响。循环执行次数最多的是第 4、5 行代码,所以这块代码要重点分析。这两行代码被执行了 n 次,所以总的时间复杂度就是 O(n)。 注:不是O(2n),仔细阅读只关注循环执行次数最多的那一段代码 4,5行代码执行次数一样多,所以只用选取其中一段即可,就是O(n)
2. 加法法则:总复杂度等于量级最大的那段代码的复杂度
int cal(int n) {
int sum_1 = 0;
int p = 1;
for (; p < 100; ++p) { //100
sum_1 = sum_1 + p;
}
int sum_2 = 0;
int q = 1;
for (; q < n; ++q) { //n
sum_2 = sum_2 + q;
}
int sum_3 = 0;
int i = 1;
int j = 1;
for (; i <= n; ++i) { //n
j = 1;
for (; j <= n; ++j) { //n^2
sum_3 = sum_3 + i * j;
}
}
return sum_1 + sum_2 + sum_3; //100+n+n^2
}
代码分为三部分,分别是求 sum_1、sum_2、sum_3。我们可以分别分析每一部分的时间复杂度,然后把它们放到一块儿,再取一个量级最大的作为整段代码的复杂度。
第一段的时间复杂度是多少呢?这段代码循环执行了 100 次,所以是一个常量的执行时间,跟 n 的规模无关。即便这段代码循环 10000 次、100000 次,只要是一个已知的数,跟 n 无关,照样也是常量级的执行时间。当 n 无限大的时候,就可以忽略。尽管对代码的执行时间会有很大影响,但是回到时间复杂度的概念来说,它表示的是一个算法执行效率与数据规模增长的变化趋势,所以不管常量的执行时间多大,我们都可以忽略掉。因为它本身对增长趋势并没有影响。
那第二段代码是O(n)和第三段代码是 O(n^2)
综合这三段代码的时间复杂度,我们取其中最大的量级。所以,整段代码的时间复杂度就为 O(n^2)。也就是说:总的时间复杂度就等于量级最大的那段代码的时间复杂度。那我们将这个规律抽象成公式就是:
如果 T1(n)=O(f(n)),T2(n)=O(g(n));那么 T(n)=T1(n)+T2(n)=max(O(f(n)), O(g(n))) =O(max(f(n), g(n)))
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
如果 T1(n)=O(f(n)),T2(n)=O(g(n));那么 T(n)=T1(n)*T2(n)=O(f(n)) * O(g(n))=O(f(n)*g(n)).
常见算法复杂度
对数阶 O(logn),O(nlogn)
i=1;
while (i <= n) {
i = i * 2;//这条语句执行了多少次呢?
}
当i>n时候才停止:i=1 ,21,22, 2^3 ,2^x
当 2^x>n时候停止,求出x的值,所以x=log2n ,所以的时间复杂度为O(log2n)
**所有对数阶的时间复杂度都记为 O(logn) **
如果一段代码的时间复杂度是 O(logn),我们循环执行 n 遍,时间复杂度就是 O(nlogn) 了。而且,O(nlogn) 也是一种非常常见的算法时间复杂度。比如,归并排序、快速排序的时间复杂度都是 O(nlogn)。