算法基础
参考博客:算法时间复杂度求解法【详细过程说明】
1.1、算法时间复杂度
随问题规模n的增大,算法执行时间的增长率和f(n)的增长率相同,称为渐进算法时间复杂度。
算法时间复杂度写法: O( ),叫做大O记法;
- 随n的增大,T(n)增长最慢的算法为最优算法;
- O(1)——常数阶
- O(n)——线性阶
- O(logn)——对数阶
- O(n^2)——平方阶
(1)常数阶
int sum = 0 ; n = 100; /*执行一次*/
sum = (1+n)*n/2; /*执行一次*/
printf("%d",sum); /*执行一次*/
以上每一句代码无论执行多少次,时间复杂度都是O(1)。
(2)线性阶
for(int i = 0 ; i < n ; i++){
/*时间复杂度为O(1)的程序*/
}
(3)对数阶
int count = 1;
while(count < n){
count = count * 2;
/*时间复杂度为O(1)的程序*/
}
每次count*2后,距离结束循环更近了。
数学公式:2x = n --> x = log2n
因此这个循环的时间复杂度为O(logn)。
(4)平方阶
for(int i = 0 ; i < n ; i++){
for(int j = 0 ; j < n ; j++){
/*时间复杂度为O(1)的程序*/
}
}
对于内层循环,它的时间复杂度为O(n),但是它是包含在外层循环中,再循环n次,因此这段代码的时间复杂度为O(n2)。
for(int i = 0 ; i < n ; i++){
for(int j = i ; j < m ; j++){
/*时间复杂度为O(1)的程序*/
}
}
如果内层循环改成了m次,时间复杂度就为O(n*m)
for(int i = 0 ; i < n ; i++){
for(int j = i ; j < n ; j++){
/*时间复杂度为O(1)的程序*/
}
}
以上代码,j=i; j<n; j++
当i=0,执行了n次;
当i=1,执行了n-1次;
当i=2,执行了n-2次;
…
当i=n,执行了1次;
执行总数:n+(n-1)+(n-2)+…+1 = (n^2)/2 + n/2
保留最高阶项,时间复杂度为O(n^2)。
- 时间复杂度所耗费的时间是:
- O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3) <O(2n) < O(n!) <O(nn)
1.2、斐波那契数列
参考资料:神奇兔子数列
Java代码实现
package org.algorithm.basic;
/**
* 斐波那契数列(java)
* @author kiki
*
*/
public class FibonacciSequence {
public static void main(String[] args) {
int length = 20;
System.out.println("生成长度为" + length + "的斐波那契数列");
for(int i = 0; i < length; i++) {
System.out.print(createFibonacciSequence(i) + "-");
}
}
/**
* 递归生成斐波那契数列
* @param size 数量
*/
public static int createFibonacciSequence(int i){
if(i == 0 || i == 1) {
return 1;
}else {
//从2开始
return createFibonacciSequence(i-1) + createFibonacciSequence(i-2);
}
}
}
执行结果:
生成长度为20的斐波那契数列
1-1-2-3-5-8-13-21-34-55-89-144-233-377-610-987-1597-2584-4181-6765-