时间复杂度
算法时间复杂度的定义:
在进行算法分析时,语句总的执行次数T(n)是关于问题规模n 的函数,进而分析他T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度,也就是算法的时间量,记作:T(n) = O(f(n))。它表示随问题规模n的增大,算法执行时间的增长率和f(n)的增长率相同,称作算法的渐进时间复杂度,简称为时间复杂度。其中f(n)是问题规模n的某个函数
大O记法:O()
其用来体现算法时间复杂度
一般情况下,随着输入规模n的增长,T(n)增长最慢的算法为最优算法。由此算法时间复杂度的定义可知,我们三个求和算法的时间复杂度分别为O(1),O(n),O(n²)。
推导大O阶的方法:
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,只保留最高阶数(2n+1则记O(n))
3.如果最高阶项存在且不是1,则去除这个项相乘的常数。(2n²+1则记O(n²))
1.常数阶:
int i, sum = 0, n = 100;
Console.WriteLine("Hello World!");
sum = (1 + n) * n / 2;
所以记作O(1)
2.线性阶:
一般含有非嵌套循环涉及线性阶,线性阶就是随着问题规模n 的扩大,对应计算次数呈直线增长。
int i, sum = 0, n = 100;
for (i = 1;i <= n;i++)
{
sum = sum + i;
}
所以记作O(n)
3.平方阶:
int i, sum = 0, n = 100;
for (i = 1;i <= n;i++)
{
for (i = 1; i <= n; i++)
{
Console.WriteLine("Hello World!\n");
}
}
所以记作O(n²)
4.对数阶:
int i = 1, n = 100;
while (i < n)
{
i = i * 2;
}
记作O(logn)
5.指数阶:
int i = 1, sum = 1, n = 100;
for (i = 1; i <= n; i++)
{
sum *= 2;
}
记作O(2^n)
常见的时间复杂度
常用的时间复杂度所消耗的时间从小到大依次是:
O(1) < O(logn) < O(logn) < O(logn) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)
空间复杂度
空间复杂度的定义:
算法的空间复杂度通过计算算法所需的存储空间实现,算法的空间复杂度的计算公式记作:S(n) = O(f(n)),其中,n为问题的规模,f(n)为语句关于n所占存储空间的函数。
通常,我们都是用“时间复杂度”来指运行时间的需求,是用“空间复杂度”指空间需求。
所以我们在写代码时,完全可以用空间来换取时间。
空间复杂度引入
输入某个年份判断是否为闰年:
1.每一次查询都需要经过一系列的计算才能知道是否为闰年。(通过计算)
2.在内存中存储若干个元素的数组,但是每次查询只需要一次索引即可判断。(通过查询)
以上就是通过一笔空间上的开销来换取计算时间开销的小技巧