因为工作的原因,重新拾起了数据结构,毕竟它的地位对于一名程序员来说举足轻重,对于即将毕业的自己,也是决定把所有模糊的定义弄明白,为以后打好基础。所以写下人生中第一篇原创博客,作为纪念。
复杂度分为两种,1)时间复杂度;2)空间复杂度;
一.算法时间复杂度
1.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 的时间度量,记作:T(n)=O(f(n))。它表示岁问题规模 n 的增大,算法执行时间的增长率和f(n)的增长率相同,称作算法的监禁时间复杂度,简称为时间 复杂度。 其中f(n)的增长率相同,成为算法的监禁时间复杂度,简称时间复杂度。其中f(n)是问题规模 n 的某个函数。
2.大O记法:
用大写的O()来体现算法时间复杂度的记法,我们称之为大O记法。
常数阶:O(1);
线性阶:O(n);
平方阶:O(n^2);
对数阶:O(log m N);
3.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,则去除与这个项相乘的常数。
得到的结果就是大O阶。
总的执行次数为:n+(n-1)+(n-2)+...+1=n(n+1)/2=n^2/2+n/2;
使用上述三条进行推导:1:没有加法的常数,所以不用考虑;
2:只保留最高阶,因此保留n^2/2;
3:去除这个项相乘的常数,也就是去除1/2,最终这段代码的时间复杂度为O(n^2)。
常见的时间复杂度:
执行次数 | 阶 数 | 非正式术语 |
12 | O(1) | 常数阶 |
2n+3 | O(n) | 线性阶 |
3n^2+2n+1 | O(n2) | 平方阶 |
5log2 n+20 | O(logn) | 对数阶 |
n+3nlog2+1 | O(nlogn) | nlogn阶 |
n^2+n+4 | O(n^2) | 立方阶 |
2^n | O(2^n) | 指数阶 |
O(1)<O(n)<O(nlogn)<O(n2)< O(n3)< O(2^n)< O(n!)< O(n^n)
时间复杂度分为:1)平均时间复杂度;2)最坏时间复杂度;
二.算法的空间复杂度
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。