目录
1. 算法效率
算法效率分析分为两种:第一种是时间效率,第二种是空间效率。时间效率被称为时间复杂度,而空间效率被称作空间复杂度。 时间复杂度主要衡量的是一个算法的运行速度,而空间复杂度主要衡量一个算法所需要的额外空间。
在计算机发展的早期,计算机的存储容量很小,所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展,计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
2.时间复杂度
2.1 时间复杂度的概念
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。
2.2 大O的渐进表示法
// 计算func1基本操作执行了多少次? void func1(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--) > 0) { count++; } System.out.println(count); }
实际中我们计算时间复杂度时,不一定要计算精确的执行次数,只需要大概执行次数,这里我们使用大O的渐进表示法。
大O符号(Big O notation):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(N^2)
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
在实际中一般关注最坏运行情况,所以数组中搜索数据时间复杂度为O(N)。
2.3 例题练习
// 计算func2的时间复杂度? void func2(int N) { int count = 0; for (int k = 0; k < 2 * N ; k++) { //2N count++; } int M = 10; while ((M--) > 0) { //10 count++; } System.out.println(count); }
答:执行了2N+10次——> 时间复杂度O(N)。
// 计算func3的时间复杂度? void func3(int N, int M) { int count = 0; for (int k = 0; k < M; k++) { count++; } for (int k = 0; k < N ; k++) { count++; } System.out.println(count); }
答:执行了M+N次——> 时间复杂度O(M+N)。
// 计算func4的时间复杂度? void func4(int N) { int count = 0; for (int k = 0; k < 100; k++) { count++; } System.out.println(count); }
答:执行了100次——> 时间复杂度O(1)。
// 计算bubbleSort的时间复杂度? void bubbleSort(int[] array) { for (int end = array.length; end > 0; end--) { boolean sorted = true; for (int i = 1; i < end; i++) { if (array[i - 1] > array[i]) { Swap(array, i - 1, i); sorted = false; } } if (sorted == true) { break; } } }
答:最坏执行了 N-1 + N-2 + N-3 +……1 = N * (N-1) / 2 次——> 时间复杂度O(N^2)。
// 计算binarySearch的时间复杂度? int binarySearch(int[] array, int value) { int begin = 0; int end = array.length - 1; while (begin <= end) { int mid = begin + ((end-begin) / 2); if (array[mid] < value) begin = mid + 1; else if (array[mid] > value) end = mid - 1; else return mid; } return -1; }
答:最坏执行了 logN 次——> 时间复杂度O(logN)。
// 计算阶乘递归factorial的时间复杂度? long factorial(int N) { return N < 2 ? N : factorial(N-1) * N; }
答:基本操作递归中 N * N-1 * N-2 * …… * 1 其中乘了N次——> 时间复杂度O(N)。
// 计算斐波那契递归fibonacci的时间复杂度? int fibonacci(int N) { return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2); }
答:基本操作递归了 2^N - 1 次——> 时间复杂度为O(2^N)。
3. 空间复杂度
3.1 空间复杂度的概念
空间复杂度是对一个算法在运行过程中临时占用存储空间大小的量度 。空间复杂度算的是变量的个数,也使用大O渐进表示法。
3.2 例题练习
// 计算bubbleSort的空间复杂度? void bubbleSort(int[] array) { //此处产生形参数组 for (int end = array.length; end > 0; end--) { boolean sorted = true; for (int i = 1; i < end; i++) { if (array[i - 1] > array[i]) { Swap(array, i - 1, i); sorted = false; } } if (sorted == true) { break; } } }
答:使用常数个额外空间 ——> 空间复杂度为O(1)。
// 计算fibonacci的空间复杂度? int[] fibonacci(int n) { long[] fibArray = new long[n + 1]; fibArray[0] = 0; fibArray[1] = 1; for (int i = 2; i <= n ; i++) { fibArray[i] = fibArray[i - 1] + fibArray [i - 2]; } return fibArray; }
答:动态开辟了N个空间 ——> 空间复杂度为O(N)。
// 计算阶乘递归Factorial的空间复杂度? long factorial(int N) { return N < 2 ? N : factorial(N-1) * N; }
答:递归调用了N次,开辟了N个栈帧,每个栈帧使用了常数个空间 ——> 空间复杂度为O(N)。