前言
最近稍微看了看LeetCode,里面的一些题目都要考虑时间复杂度、空间复杂度,那时间复杂度和空间复杂度分别是什么含义?
算法复杂度分为时间复杂度和空间复杂度。
时间复杂度——指执行算法所需要的计算工作量;
空间复杂度——指执行这个算法所需要的内存空间。
1 时间复杂度
1.1 概念
时间复杂度(时间复杂性),定性的描述算法的运行时间,这是一个代表算法输入值的字符串的长度的函数。
时间复杂度常用大O
符号表述,不包括这个函数的低阶项和首项系数。使用这种方式时,时间复杂度可被称为是渐近的,亦即考察输入值大小趋近无穷时的情况。
1.2 理解
例:给你一条长n寸的面包,每10天吃掉1寸,那么吃掉整个面包需要几天?
答: 10 n 10n 10n, T ( n ) = 10 n T(n)=10n T(n)=10n
例:给你一条长n寸的面包,吃掉第1寸需要1天时间,吃掉第2存需要2天时间,吃掉第3存需要3天时间……那么吃掉整个面包需要几天?
答: 1 + 2 + 3 + . . . . . . + n − 1 + n = ( 1 + n ) ∗ n / 2 = 0.5 n 2 + 0.5 n 1+2+3+......+ n-1 + n = (1+n)*n/2 = 0.5n^2 + 0.5n 1+2+3+......+n−1+n=(1+n)∗n/2=0.5n2+0.5n, T ( n ) = 0.5 n 2 + 0.5 n T(n)= 0.5n^2 + 0.5n T(n)=0.5n2+0.5n
算法A的相对时间是
T
(
n
)
=
10
n
T(n) = 10n
T(n)=10n
算法B的相对时间是
T
(
n
)
=
50.5
n
2
+
0.5
n
T(n)= 50.5n^2 + 0.5n
T(n)=50.5n2+0.5n
这两个到底谁的运行时间更长一些?这就要看n的取值了。
所以,这时候有了渐进时间复杂度(asymptotic time complexity)的概念,官方的定义如下:
若存在函数 f(n),使得当n趋近于无穷大时,T(n)/ f(n)的极限值为不等于零的常数,则称 f(n)是T(n)的同数量级函数。
记作 T ( n ) = O ( f ( n ) ) T(n)= O( f(n) ) T(n)=O(f(n)),称 O ( f ( n ) ) O( f(n) ) O(f(n))为算法的渐进时间复杂度,简称时间复杂度。
渐进时间复杂度用大写O来表示,所以也被称为大O表示法。
直白地讲,时间复杂度就是把时间规模函数 T ( n ) T(n) T(n)简化为一个数量级,这个数量级可以是 n n n、 n 2 n^2 n2、 n 3 n^3 n3……
1.3 举例
时间规模函数 | 时间复杂度 |
---|---|
T ( n ) = 2 T(n)= 2 T(n)=2 | T ( n ) = O ( 1 ) T(n)= O(1) T(n)=O(1) |
T ( n ) = 3 n T(n)= 3n T(n)=3n | T ( n ) = O ( n ) T(n)= O(n) T(n)=O(n) |
T ( n ) = 0.5 n 2 + 0.5 n T(n)= 0.5n^2 + 0.5n T(n)=0.5n2+0.5n | T ( n ) = O ( n 2 ) T(n)= O(n^2) T(n)=O(n2) |
T ( n ) = 5 l o g n T(n) = 5logn T(n)=5logn | T ( n ) = O ( l o g n ) T(n) = O(logn) T(n)=O(logn) |
时间复杂度排序: O ( 1 ) < O ( l o g n ) < O ( n ) < O ( n 2 ) O(1)< O(logn)< O(n)< O(n^2) O(1)<O(logn)<O(n)<O(n2)
其它形式的时间复杂度: O ( n l o g n ) O(nlogn) O(nlogn)、 O ( n 3 ) O(n^3) O(n3)、 O ( m ∗ n ) O(m*n) O(m∗n)、 O ( 2 n ) O(2^n) O(2n)、 O ( n ! ) O(n!) O(n!)