有任何不懂的问题可以评论区留言,能力范围内都会一一回答
时间复杂度的定义:
在计算机科学中,算法的时间复杂度是一个函数,它定量描述了该算法的运行时间。
一个算法执行所耗费的时间,从理论上说,是不能算出来的,只有你把你的程序放在机器上跑起来,才能知道。
但是我们需要每个算法都上机测试吗?是可以都上机测试,但是这很麻烦,所以才有了时间复杂度这个分析方式。个算法所花费的时间与其中语句的执行次数成正比例,算法中的基本操作的执行次数,为算法的时间复杂度。
即: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。
我们直接上几道例题去感受一下
void Function(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++;
}
}
我们先看看这个函数function执行的基本操作次数是一个和n有关的函数
很明显这个函数是f(n)=n*n+2*n+10
但是实际中我们计算时间复杂度时,我们其实并不一定要计算精度的执行次数,而只需要大概执行次数,那么这里我们使用O的渐进表示法
大O的渐进表示法
大O符号:是用于描述函数渐进行为的数学符号。
推导大O阶方法:
1、用常数1取代运行时间中的所有加法常数。
2、在修改后的运行次数函数中,只保留最高阶项。
3、如果最高阶项存在且不是1,则去除与这个项目相乘的常数。得到的结果就是大O阶。
使用大O的渐进表示法以后,Func1的时间复杂度为:
O(N2)
·N=10 F(N)=100
·N=100 F(N)=10000
·N=1000 F(N)=1000000
通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项,简洁明了的表示出了执行次数。另外有些算法的时间复杂度存在最好、平均和最坏情况:
最坏情况:任意输入规模的最大运行次数(上界)
平均情况:任意输入规模的期望运行次数
最好情况:任意输入规模的最小运行次数(下界)
例如:在一个长度为N数组中搜索一个数据x
最好情况:1次找到
最坏情况:N次找到
平均情况:N/2次找到
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)
比如说如果函数是F(N)=N+4,那么当N无限大的时候,对F(N)产生主要影响的是N
因此此时O(N)的值是N
比如说如果函数是F(N)=N*N+N+4,那么当N无限大的时候,对F(N)产生主要影响的是N*N
因此此时O(N)的值是N*N
但是有种情况下需要注意
log 2 n 这种对数计算机很难打出来
因此有且仅有在表示时间复杂度是log 2 N可以直接写成logN(仅仅限于以二为底)
最后留给大家一个题目 其实本质上是一个数学题
long long Fib(int N)
{
if (N < 3)
return 1;
return Fib(N - 1) + Fib(N - 2);
}
思考一下,这个函数执行的基本操作次数是一个和n有关的函数
这个函数表达式是啥
提示:这个题本质上是一个斐波那契数列的题目