目录
-
认识时间复杂度
常数时间的操作:一个操作如果和数据量没有关系,每次都是固定时间内完成的操作,叫做常数操作。
时间复杂度:时间复杂度为一个算法流程中,在最差情况下,常数操作数量的指标。常用O(读作bigO)来表示。具体来说,在常数操作数量的表达式中,只要高阶项,不要低阶项,也不要高阶项系数,剩下的部分如果记为f(N),那么时间复杂度为O(f(N))。
例如:
- 计算操作次数为(An^2+Bn+C),A为高阶项系数,Bn为低阶,B为低阶系数,时间复杂度我们只要n^2,故时间复杂度为O(n^2)。
- O(1)称为常数时间,具体的值和样本量没有关系。
评价算法的标准:评价一个算法流程的好坏,先看时间复杂度的指标,然后再分析不同数据样本下的实际运行时间,也就是常数项时间。那么O(N)比O(N^2)好。如果两个算法都是O(N),他们的常数操作数量的表达式分别为 1000N+2和10N+10,那么就是10N+10这个算法更好。
一个简单地理解时间复杂度的例子:
一个有序数组A,另一个无序数组B,请打印B中的所有不在A中的数,A数组长度为N,B数组的长度为M。
算法流程1:对于数组B中的每一个数,都在A中通过遍历的方式找一下。这个时间复杂度为O(M*N)
算法流程2:对于数组B中的每一个数,都在A中通过二分的方式找一下。一个数在A中二分查找的时间复杂度为O(logN),即若有N个有序数,我们从中查找到我指定的数最差需要logN次。所以时间复杂度为 M*O(logN)。
算法流程3:先把数组B排序,然后用类似外排的方式打印所有出现在A中出现的数。我们先计B排序用的是快排,时间复杂度为O(MlogM),然后外排的时间复杂度为O(M+N),所以整个算法的时间复杂度为O(MlogM)+O(M+N)。现在我们可以分类讨论了。
- 如果N很小,那么复杂度为O(MlogM) + O(M) = O(MlogM + Mlog2) = O(Mlog2M) = O(MlogM)
- 如果M相比N很小,那么复杂度为O(M+N)
所以这个例子要有具体的样本量才能区分算法流程2和算法流程3哪个好。
- 如果N更小,流程2更好
- 如果M更小,流程3更好
-
排序算法中的稳定性
排序算法稳定性:假定在待排序的记录序列中,存在多个具有相同的关键字的记录,若经过排序,这些记录的相对次序保持不变,即在原序列中,r[i]=r[j],且r[i]在r[j]之前,而在排序后的序列中,r[i]仍在r[j]之前,则称这种排序算法是稳定的;否则称为不稳定的。
举个例子:
对于数组{10,6,8,11,6,5,4,1001,2,1 },对于第一个6和第二个6,他们在经过排序以后,第一个6还是在第二个6的前面,则称这个算法是稳定的。而,如果第一个6和第二个6的在排序后,两个数字的顺序不确定,一会儿第一个6在前,一会第二个6在前,则这个算法为不稳定算法。
-
八大排序性能对比
-
冒泡排序
时间复杂度:O(N^2) ——> N +(N-1) + (N-2)+···+2+1 = AN^2 +BN +C
最好时间复杂度为:O(N^2)
(额外)空间复杂度:O(1)
特点:有限个数即可排完,不需要辅助数组。稳定算法。
应用:工程上不常用,效率不高,适合小数据排序
代码:
#include "pch.h"
#include <iostream>
#include <stack>
#include <vector>
#include<string>
using namespace std;
void swap(int &a, int &b) {
int temp;
temp = a;
a = b;
b = temp;
}
void BubbleSort(int arr[], int n) {
while (n-- > 0) {
for (int i = 0; i <