算法时间复杂度:
推导大O阶:
1、用常数1取代运行时间中所有的加法常数;
2、在修改后的运行次数函数中,只保留最高阶;
3、如果最高项存在且不是1,则去掉与这个项相乘的常数;得到的结果就是大O阶。
常数阶
线性阶 如单层for循环
对数阶 如
while (count<n)
{
count = count * 2;
}
平方阶 如双层for循环
// 下面的嵌套循环,时间复杂度是多少呢?
int i,j;
for (i=0; i<n; i++)
{
for (j=i; j<n; j++)
{
// 时间复杂度为O(1)的程序步骤序列
}
}
当i=0时,内循环执行了n次,当i=1时,执行了n-1次,……当i=n-1时,执行了1次。所以总的执行次数为:
n + (n-1) + (n-2) + ... + 1 = n(n+1)/2 = n^2/2 + n/2
用我们推导大O阶的方法,第一条,没有加法常数不予考虑;第二条,只保留最高阶,因此保留n^2/2;第三条,去除这个项相乘的乘数,也就是出去1/2,最终这段代码的时间复杂度为O(n^2)。
常见时间复杂度:
耗费时间:
O(1) < O(logn) < O(n) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)
最坏情况与平均情况:
最坏情况运行时间是一种保证,那就是运行时间将不会再坏了。在应用中,这是一种最重要的需求,通常,除非特别指定,我们提到的运行时间都是最坏情况的运行时间。
平均运行时间是所有情况中最有意义的,因为它是期望的运行时间。 现实中,平均运行时间很难通过分析得到,一般都是通过运行一定数量的实验数据后估算出来的。
一般在没有特殊说明的情况下,都是指最坏时间复杂度。
算法空间复杂度:
一般情况下,一个程序在机器上执行时,除了需要存储程序本身的指令、常数、变量和输入数据外,还需要存储对数据操作的存储单元。若输入数据所占用空间只取决于问题本身,和算法无关,这样只要分析该算法在实现时所需的辅助单元即可。若算法执行时间所需的辅助空间相对于输入数据量而言是个常数,则称此算法为原地工作,空间复杂度为O(1)。
当不用限定词地使用“复杂度”时,通常都是指时间复杂度。