面试中的时间复杂度分析
到底什么是大O
n表示数据规模
O(f(n))表示运行算法所需要的执行的指令数,与f(n)成正比。
举例
- 二分查找法 O(logn)
- 寻找数组中的最大值/最小值 O(n)
- 归并排序 O(nlogn)
- 选择排序 O(n^2)
到底什么是大O
在学术界,严格地讲,O(f(n))表示算法执行的上界。归并排序算法的时间复杂度是O(nlogn),也是O(n^2)。
在业界,我们使用O表示算法执行的最小上界。所以我们不会说归并排序算法的事件复杂度是O(n^2),都是说O(nlogn)。
一个时间复杂度的问题
有一个字符串数组,将数组中的每一个字符串按照字母序排序;之后再将整个字符串数组按照字典序排序。整个操作的时间复杂度?
错误的答案:O(n*nlogn + nlogn) = O(n^2logn)
正确的答案:
假设最长的字符串长度为s,数组中有n个字符串。
对每个字符串排序:O(s*logs)
对数组中的所有字符串按照字母序排序:O(n*s*logs)
将整个字符串数组按照字典序排序:O(s*n*logn) 因为字符串比较需要s次操作
一共:O(n*s*logs) + O(s*n*logn) = O(n*s*(logs+logn))
算法复杂度在有些情况下是和用例相关的
插入排序 | 快速排序 | 理由 | |
最差情况 | O(n^2) | O(n^2) | 快速排序每次选择的根节点都是极值 |
最好情况 | O(n) | O(nlogn) | 插入排序在数组基本有序的情况下 |
平均情况 | O(n^2) | O(nlogn) | 业界使用 |