看代码效率如何?直接看时间效率和空间效率,可以不用让代码在电脑上跑。
1.时间复杂度
算法的时间复杂度是一个函数,是算法中的基本操作的执行次数。
也就是找到某条基本语句与问题规模N之间的数学表达式,就是算出了该算法的时间复杂度。
举例
例如计算Func1中++count语句总共执行了多少次?
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N ; ++ i)
{
for (int j = 0; j < N ; ++ j)
{
++count;
}
}
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n",count);
}
所以Func1执行的基本操作次数是 F(N)=N^2+2*N+10
N=10时,F(N)=130
N=100时,F(N)=10210
N=1000时,F(N)=1002010
当我们只想估算时,
只让F(N)=N^2
N=10时,F(N)=100
N=100时,F(N)=1000
N=1000时,F(N)=1000000
这两份数据都很接近,所以其实我们只需要取影响最大的项进行估算就好了,这就是大O的渐进表示法。
所以,Func1的时间复杂度是O(N^2)
总结
大O渐进表示方法:
- 用常数1取代运行时间中的所有加法常数。
- 在修改后的运行次数函数中,只保留最高阶项。(取决定性的那一项)。
- 如果最高阶项存在且系数不是1,则去除与这个项目相乘的常数(系数)。得到的结果就是大O阶。例如F(N)=4N,则可以将4去掉,最后O(N)。
- 时间复杂度是保守的估算,在实际中一般情况关注的是算法的最坏运行情况,所以数组中搜索数据时间复杂度为O(N)。
练习
1.计算Func2的时间复杂度
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
O(N)
2.计算Func3的时间复杂度
void Func3(int N, int M)
{
int count = 0;
for (int k = 0; k < M; ++ k)
{
++count;
}
for (int k = 0; k < N ; ++ k)
{
++count;
}
printf("%d\n", count);
}
不确定M和N的关系:O(N+M)
M>N:O(M)
M<N:O(N)
M=N:O(M)or O(N)
3.计算Func4的时间复杂度
void Func4(int N)
{
int count = 0;
for (int k = 0; k < 100; ++ k)
{
++count;
}
printf("%d\n", count);
}
O(1)
注意:O(1)代表的是常数次,不是1次
❗时间复杂度不是计算代码中循环次数,而是根据代码思想,灵活计算。
例如以下:
4.计算Func5的时间复杂度
// 计算BubbleSort的时间复杂度?
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i-1] > a[i])
{
Swap(&a[i-1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
这个代码思想是看里面的for循环变化,里面for循环次数是和外面end有关。所以里面的for循环是:n-1次,n-2次,n-3次…3,2,1。
所以F(N)=N*(N-1)/2,O(N)=N^2。
5.
int PartSort1(int* a,int left,int right)
{
int keyi=left;
while(left<right)
{
while(left<right&&a[right]>=a[keyi])
{
--right;
}
while(left<right&&a[left]<=a[keyi])
{
++left;
}
Swap(&a[keyi],&a[left]);
}
Swap(&a[keyi],&a[left]);
return left;
};
O(N)
6.
方法1:
1.先冒泡排序。
2.遍历,当前值+1,不等于下一个数字就是下一个数字。
官方题解是用C++语言写,并且使用哈希表的方法,本人还未学到这儿,稍后再来,先附上方法:
遍历数组nums,第一次循环将数组中的每个元素加入哈希集合,第二次循环依次检查从0到n的每个整数是否在哈希表中
方法2:
异或
int missingNumber(int* nums, int numsSize){
int x=0;
int i=0;
for(i=0;i<numsSize;i++)
{
x^=nums[i];
}
for(i=0;i<numsSize+1;i++)
{
x=x^i;
}
return x;
}
//例如numsSize=5
//第一个循环,i<5,下标0 1 2 3 4数字异或
//i<6,完整的数字:0 1 2 3 4 5
//完整数字和下标0 1 2 3 4数字异或
方法3:
等差数列公式计算和
int missingNumber(int* nums, int numsSize){
int N=numsSize;
int sum=N*(0+N+1)/2;
for(int i=0;i<numsSize;i++)
{
sum-=nums[i];
}
return sum;
}
//通过等差数列求和让完整数字相加
//用和减去部分数字,找出消失数字
// 计算BinarySearch的时间复杂度?
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n-1;
// [begin, end]:begin和end是左闭右闭区间,因此有=号
while (begin <= end)
{
int mid = begin + ((end-begin)>>1);
if (a[mid] < x)
begin = mid+1;
else if (a[mid] > x)
end = mid-1;
else
return mid;
}
return -1;
}
O(logN)
很明显这里用了二分查找的方法
找了多少次,除了多少个2,假设找了x次,N=2^x, x=log2的N,这样我们就得出了时间复杂度是O(logN),可以把2给忽略掉进行缩写,logN就说明是以2位底。
但是以其他数字为底的就不能缩写。
❗:二分查找对应的是暴力查找
暴力查找(数组过一遍查找):O(N)
二分查找:O(logN)
对比下来二分查找效率更高的原因:
O(N)=1000时,O(logN)=10
因为2^10=1024,约等于1000次
O(N)=100W时,O(logN)=20
因为2^20约等于100000次
O(N)=10亿时,O(logN)=30
❗用二分查找的前提是有序,所以空有其表,因为要排序,所以插入删除都不方便,后面的高级数据结构会用到AVL树,红黑树,哈希表,会方便很多。
// 计算阶乘递归Fac的时间复杂度?
long long Fac(size_t N)
{
if(0 == N)
return 1;
return Fac(N-1)*N;
}
O(n)
递归调用是多次调用累加。
Fac(N),Fac(N-1),Fac(N-2),Fac(N-3)…Fac(2),Fac(0)。
// 计算斐波那契递归Fib的时间复杂度?
long long Fib(size_t N)
{
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}
O(N)=2^N
递归调用是调用的累加
斐波那契到Fib(2)和Fib(1)就不会分解,因为都是返回1。
斐波那契额数在实际运用中会困难,因为它是指数型增长。