复杂度分析
时间复杂度
每一个算法题,都会有一个时间限制和空间限制。本文就拿时间限制为 1s
来讨论.
就目前来说个人计算机 1s
大概可以执行 3e8
次运算左右。
所以时限 1s
,我们要保证程序运算次数不超过 3e8
时间复杂度一般分为 $ O(n^2) $ O ( n l o g 2 n ) O(nlog_2n) O(nlog2n) O ( n ) O(n) O(n) O ( l o g 2 n ) O(log_2n) O(log2n) O ( 1 ) O(1) O(1)
- $O(n^2) $ 相当于两次 for 循环
- O ( n ) O(n) O(n) 相当于一次 for 循环
- O ( l o g 2 n ) O(log_2n) O(log2n) 最典型的就是二分
- O ( 1 ) O(1) O(1) 在常数的时间内解决
在某一题中:
如果 n > 100000000 , 就需要考虑用 常数的时间去解决 或者 O ( l o g 2 n ) O(log_2n) O(log2n) 的时间复杂度
如果 n 在 100000 左右, 就可以考虑 O ( n l o g 2 n ) O(nlog_2n) O(nlog2n) O ( n ) O(n) O(n) 的算法
如果 n 在 10000 左右, 那么 O ( n 2 ) O(n^2) O(n2) 的算法也可以
如果 n 在 500 左右, 那么 O ( n 3 ) O(n^3) O(n3) 的算法也行
一般我们算时间复杂度的时候,只要估算一下就可以了,不需要算到具体的值。
举个例子:
int ans = 0, n = 100000;
for (int i = 0; i <= n; ++i)
ans += 1;
for (int i = 1; i <= n; i *= 2)
ans += 1;
第一个 for 循环一共运算 n 次, 所以是 O ( n ) O(n) O(n) 的
第二个 for 循环 i 每次 乘 2, 所以是 O ( l o g 2 n ) O(log_2n) O(log2n) 的
所以两个 for 循环加在一起, 就是 O ( n + l o g 2 n ) O(n + log_2n) O(n+log2n) 的,由于 n n n 很大, l o g 2 n log_2n log2n 相比于 n n n 来说,可以忽略不计,所以时间复杂度就是 O ( n ) O(n) O(n) 的。
再举个例子:
题目:
给定一个整数数组 nums 和一个目标值 target,数组的值是升序排列的,数组的长度为 n。
请你在该数组中找出和为目标值的那 两个 整数,每个数只能被用一次,并返回他们的数组下标。
示例:
给定 nums = [2, 7, 11, 15], target = 9
因为 nums[0] + nums[1] = 2 + 7 = 9
所以返回 [0, 1]
如果 n < 1000 , 我们就可以用 O ( n 2 ) O(n^2) O(n2) 的方法做。
这个方法就是两重 for 循环,枚举两个位置,判断这两个位置的和是不是 target 。
class Solution {
public int[] twoSum(int[] nums, int target, int n) {
int[] ans = new int[2];
for (int i = 0; i < n; ++i){
for (int j = 0; j < n; ++j){
if (i != j && nums[i] + nums[j] == target){
ans[0] = i; ans[1] = j;
return ans;
}
}
}
return ans;
}
}
如果n < 100000, 这个时候 O ( n 2 ) O(n^2) O(n2) 的方法就行不通了,但是可以使用 O ( n l o g 2 n ) O(nlog_2n) O(nlog2n) 的方法
先循环一遍,把所有的值和对应的下标存到 hashmap 中, hashmap 每次的查询时间是 O ( l o g 2 n ) O(log_2n) O(log2n) 的,
再循环一遍每个位置,让 sub = target - nums[i] , 在 hashmap 中找 sub, 如果可以找到,就存在这样两个位置。
总的时间复杂度为 O ( n + n l o g 2 n ) O(n + nlog_2n) O(n+nlog2n) , 也可以说成 O ( n l o g 2 n ) O(nlog_2n) O(nlog2n)
class Solution {
public int[] twoSum(int[] nums, int target, int n) {
int[] ans = new int[2];
Map<Integer, Integer> map = new HashMap<>();
for (int i = 0; i < n; ++i)
map.put(nums[i], i); // 把数据放到 hashmap 中
for (int i = 0; i < n; ++i){
int sub = target - nums[i];
if (map.containsKey(sub) && map.get(sub) != i){ // 在 hashmap 中查找 sub 是不是存在,如果存在 判断下标位置和 i 是不是一样。
ans[0] = i;
ans[1] = map.get(sub);
return ans;
}
}
return ans;
}
}
如果 n < 10000000, O ( n l o g 2 n ) O(nlog_2n) O(nlog2n) 的方法也不行了, 这个时候就需要 O ( n ) O(n) O(n) 的算法。
需要注意到这个数组是升序的。
先设两个指针 i = 0, j = n-1; 代表我要找的两个位置。
如果 i 向右移动, 两个位置的加和会变大,
如果 j 向左移动, 两个位置的加和会变小。
首先让 nums[i] + nums[j] 如果和大于 target , j 向左移动, 如果和小于 target
, i 向右移动, 知道找到最后的位置。
如果 i >= j , 就会跳出循环, 所以每个位置只会被访问一次,时间复杂的也就是 O ( n ) O(n) O(n)
class Solution {
public int[] twoSum(int[] nums, int target, int n) {
int i = 0, j = n-1;
int[] ans = new int[2];
while(i < j){
if (nums[i] + nums[j] == target){
ans[0] = i; ans[1] = j;
return ans;
}
if (nums[i] + nums[j] > target) j--; else i++;
}
}
}
空间复杂度
空间复杂度就是看额外开了多少空间。
如果开了常数个空间,那就是 O ( 1 ) O(1) O(1) 的
如果开了一个数组,有 n 位, 那么就是 O ( n ) O(n) O(n) 的
一般的题目不太会卡空间,空间复杂度也就是和时间复杂度差不多算就可以了。