在描述算法复杂度时,经常用到 o (1), o (n), o (logn), o (nlogn) 来表示对应算法的时间复杂度,这里进行归纳一下它们代表的含义: 这是算法的时空复杂度的表示。不仅仅用于表示时间复杂度,也用于表示空间复杂度。
O 后面的括号中有一个函数,指明某个算法的耗时 / 耗空间与数据增长量之间的关系。其中的 n 代表输入数据的量。
比如时间复杂度为 O (n),就代表数据量增大几倍,耗时也增大几倍。比如常见的遍历算法。
再比如时间复杂度 O (n^2),就代表数据量增大 n 倍时,耗时增大 n 的平方倍,这是比线性更高的时间复杂度。比如冒泡排序,就是典型的 O (n^2) 的算法,对 n 个数排序,需要扫描 n×n 次。
再比如 O (logn),当数据增大 n 倍时,耗时增大 logn 倍(这里的 log 是以 2 为底的,比如,当数据增大 256 倍时,耗时只增大 8 倍,是比线性还要低的时间复杂度)。二分查找就是 O (logn) 的算法,每找一次排除一半的可能,256 个数据中查找只要找 8 次就可以找到目标。
O (nlogn) 同理,就是 n 乘以 logn,当数据增大 256 倍时,耗时增大 256*8=2048 倍。这个复杂度高于线性低于平方。归并排序就是 O (nlogn) 的时间复杂度。
O (1) 就是最低的时空复杂度了,也就是耗时 / 耗空间与输入数据大小无关,无论输入数据增大多少倍,耗时 / 耗空间都不变。 哈希算法就是典型的 O (1) 时间复杂度,无论数据规模多大,都可以在一次计算后找到目标(不考虑冲突的话)