面试中的时间复杂度分析
到底什么是大O
n表示数据规模
O(f(n))表示运行算法所需要执行的指令数,和f(n)成正比。
到底什么是Big O
二分查找法 O(nlogn) 所需执行指令数:a*logn
寻找数组中的最大/最小值 O(n) 所需执行指令数:b*n
归并排序算法 O(nlogn) 所需执行指令数:c*nlogn
选择排序算法 O(n^2) 所需执行指令数:d*n^2
算法A: O(n) 所需执行指令数:10000*n
算法B: O(n^2) 所需执行指令数: 10*n^2
在学术界,严格地讲,O(f(n))表示算法执行的上界
归并排序算法的时间复杂度是O(nlogn)的,同时也是O(n^2)的
在业界,我们就使用O来表示算法执行的最低上界
我们一般不会说归并排序是O(n^2)的
O(nlogn+n)=O(nlogn)
O(nlogn+n^2)=O(n^2)
O(AlogA+B)
O(nlogn+n)=O(nlogn)
O(AlogA+B^2)
O(AlogA+B^2)
如对邻接表实现的图进行遍历:
时间复杂度:O(V+E)
一个时间复杂度的问题
有一个字符串数组,将数组中的每一个字符串按照字母序排序;之后再讲整个字符串数组按照字典序排序。整个操作时间的时间复杂度?
假设最长的字符串长度为s;数组中有n个字符串
对每个字符串排序:O(slogs)
将数组中的每一个字符串按照字母序排序:O(n*slog(s))
将整个字符串数组按照字典序排序:O(s*nlog(n))
O(n*slog(s))+O(s*nlog(n))=O(n*s*logs+s*n*logn)
=O(n*s*(logs+logn))
算法复杂度在有些情况是用例相关的
插入排序算法O(n^2)
最差情况:O(n^2)
最好情况:O(n)
平均情况:O(n^2)
快速排序算法O(nlogn)
最差情况:O(n^2)
最好情况:O(nlogn)
平均情况:O(nlogn)
O(nlogn+n)=O(nlogn)