这风铃跟心动很接近,这封信还在怀念旅行.............................................................................
目录
前言
本篇介绍了,数据结构的概念,同时介绍了,时间复杂度和空间复杂度的相关知识。
一、【数据结构的介绍】
1.1【什么是数据结构?】
数据结构(Data Structure)是计算机存储、组织数据的方式,指相互之间存在一种或多种特定关系的数据元素的集合。我自己的理解就是数据结构是一种思想,她能够帮助我们处理各种数据,我们可以通过各种计算机语言来实现他。
1.2【什么是算法?】
算法(Algorithm):就是定义良好的计算过程,他取一个或一组的值为输入,并产生出一个或一组值作为输出。简单来说算法就是一系列的计算步骤,用来将输入数据转化成输出结果。我觉得,算法一般都与数学相关,比如运用了某种数学思想或者数学方法,从而让问题的处理更加简洁,高效。
二、【时间复杂度和空间复杂度】
2.1.【时间复杂度和空间复杂度是什么?】
还记得我们之前在学习递归时写的斐波那契数列吗?它在代码编写上是很简洁的。
long long Fib(int N) { if(N < 3) return 1; return Fib(N-1) + Fib(N-2); }
这种写法,在处理很大的数据时,得到结果所花费的时间是巨大的,同时他所消耗的空间也很多,也就是这种写法的效率比较低,那么我们衡量一种写法它的效率高低的标准是什么呢?
算法在编写成可执行程序后,运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏,一般是从时间和空间两个维度来衡量的,即时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法的运行快慢,而空间复杂度主要衡量一个算法运行所需要的额外空间。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。这里就要介绍,时间复杂度和空间复杂度了。
2.2【时间复杂度的概念】
时间复杂度的概念
时间复杂度的定义: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。一个算法执行所耗费的时间,从理论上说,是不能算出来的,只有你把你的程序放在机器上跑起来,才能知道。但是我们需要每个算法都上机测试吗?是可以都上机测试,但是这很麻烦,所以才有了时间复杂度这个分析方式。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。
即:找到某条基本语句与问题规模N之间的数学表达式,就是算出了该算法的时间复杂度
例子:
// 请计算一下Func1中++count语句总共执行了多少次? 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--) { ++count; } printf("%d\n", count); }
请计算一下Func1中++count语句总共执行了多少次?
F(N)=N^2+2*N+10;
实际中我们计算时间复杂度时,我们其实并不一定要计算精确的执行次数,而只需要大概执行次数,那么这里我们使用大O的渐进表示法。
2.3【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:
N = 10 F(N) = 100
N = 100 F(N) = 10000
N = 1000 F(N) = 1000000
通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项,简洁明了的表示出了执行次数。
另外有些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
在实际中一般情况关注的是算法的最坏运行情况,所以数组中搜索数据时间复杂度为O(N)
2.4【时间复杂度计算的例子】
1. O( 2*N+10)
// 计算Func2的时间复杂度? void Func2(int N) { int count = 0; for (int k = 0; k < 2 * N; ++k) { ++count; } int M = 10; while (M--) { ++count; } printf("%d\n", count); } //这里就是单纯的两个循环,一个执行的次数为2*N,一个执行的次数为10,F(N)=2*n+10,时间复杂度为O(N)
2. O(M+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; } printf("%d\n", count); } //单纯两for循环,由于M和N之间互相影响,所以时间复杂度为O(M+N)
3.O(1)常数次同意记为O(1)
// 计算Func4的时间复杂度? void Func4(int N) { int count = 0; for (int k = 0; k < 100; ++k) { ++count; } printf("%d\n", count); } //循环次数为常数次,所以时间复杂度为O(1)
4. O(N)
// 计算strchr的时间复杂度? const char * strchr ( const char * str, int character ); while (*str) { if (*str = character) return str; else ++str; } //最坏的情况是,字符串里有n个字符,则时间复杂度为O(N)
5. O(N^2)
// 计算BubbleSort的时间复杂度? void BubbleSort(int* a, int n) { assert(a); for (size_t end = n; end > 0; --end) { int exchange = 0; for (size_t i = 1; i < end; ++i) { if (a[i - 1] > a[i]) { Swap(&a[i - 1], &a[i]); exchange = 1; } } if (exchange == 0) break; } } //冒泡排序,两层for循环嵌套,时间复杂度为O(N^2)
6. O(log以2为底的N)
int BinarySearch(int* a, int n, int x) { assert(a); int begin = 0; int end = n - 1; // [begin, end]:begin和end是左闭右闭区间,因此有=号 while (begin <= end) { int mid = begin + ((end - begin) >> 1); if (a[mid] < x) begin = mid + 1; else if (a[mid] > x) end = mid - 1; else return mid; } return -1; } //二分查找,最坏的情况是,在N个数据里查找,并且最后一次才找到,那么时间复杂度,就是其查找的次数。 O(log以2为底的N)
分析如下:
7. O(N)
// 计算阶乘递归Fac的时间复杂度? long long Fac(size_t N) { if (0 == N) return 1; return Fac(N - 1) * N; } //这是递归调用,时间复杂度为,O(N)
分析如下:
8.O(2^N)
// 计算斐波那契递归Fib的时间复杂度? long long Fib(size_t N) { if(N < 3) return 1; return Fib(N-1) + Fib(N-2); } //时间复杂度为O(2^N)
思路分析:
9.O(N^2)
#include <stdio.h> long long Fac(size_t N) { if (0== N) return 1; for (size_t i = 0; i < N; ++i) { //.............. //.............. //............. return Fac(N - 1)*N; } }
解析:
1. 实例1基本操作执行了2N+10次,通过推导大O阶方法知道,时间复杂度为 O(N)
2. 实例2基本操作执行了M+N次,有两个未知数M和N,时间复杂度为 O(N+M)
3. 实例3基本操作执行了10次,通过推导大O阶方法,时间复杂度为 O(1)
4. 实例4基本操作执行最好1次,最坏N次,时间复杂度一般看最坏,时间复杂度为 O(N)
5. 实例5基本操作执行最好N次,最坏执行了(N*(N+1)/2次,通过推导大O阶方法+时间复杂度一般看最坏,时间复杂度为 O(N^2)
6. 实例6基本操作执行最好1次,最坏O(log以2为底的N)次,时间复杂度为 O(log以2为底的N) ps:logN在算法分析中表示是底数为2,对数为N。有些地方会写成log以2为底的N。
7. 实例7通过计算分析发现基本操作递归了N次,时间复杂度为O(N)。
8. 实例8通过计算分析发现基本操作递归了2^N次,时间复杂度为O(2^N)。(建议画图递归栈帧的二叉树讲解)
2.5【空间复杂度的概念】
空间复杂度也是一个数学表达式,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 。空间复杂度不是程序占用了多少bytes的空间,因为这个也没太大意义,所以空间复杂度算的是变量的个数。
空间复杂度计算规则基本跟时间复杂度类似,也使用大O渐进表示法。
注意:函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了,因此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。
2.6【空间复杂度举例】
例子:
1.O(1)
// 计算BubbleSort的空间复杂度? void BubbleSort(int* a, int n) { assert(a); for (size_t end = n; end > 0; --end) { int exchange = 0; for (size_t i = 1; i < end; ++i) { if (a[i - 1] > a[i]) { Swap(&a[i - 1], &a[i]); exchange = 1; } } if (exchange == 0) break; } } //全程在原数组进行操作,使用了常数个额外空间。
2.O(N)
// 计算Fibonacci的空间复杂度? // 返回斐波那契数列的前n项 long long* Fibonacci(size_t n) { if (n == 0) return NULL; long long* fibArray = (long long*)malloc((n + 1) * sizeof(long long)); fibArray[0] = 0; fibArray[1] = 1; for (int i = 2; i <= n; ++i) { fibArray[i] = fibArray[i - 1] + fibArray[i - 2]; } return fibArray; }
3.O(N)
// 计算阶乘递归Fac的空间复杂度? long long Fac(size_t N) { if (N == 0) return 1; return Fac(N - 1) * N; }
思路解析:
1. 实例1使用了常数个额外空间,所以空间复杂度为 O(1)
2. 实例2动态开辟了N个空间,空间复杂度为 O(N)
3. 实例3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)
三、【常见复杂度的对比】
一般算法常见的复杂度如下:
总结
本篇内容,到这里就结束了,感谢观看!
.............................................还记得那年秋天说了再见,当恋情已经走远我将你深埋在心里面
————《手写的从前》