【数据结构笔记】时间复杂度

最新推荐文章于 2024-03-05 15:53:15 发布

DUANDAUNNN

最新推荐文章于 2024-03-05 15:53:15 发布

阅读量324

点赞数

分类专栏：数据结构文章标签：数据结构

本文链接：https://blog.csdn.net/duanduann/article/details/118345361

版权

数据结构专栏收录该内容

9 篇文章 8 订阅

订阅专栏

时间复杂度

def func():
    a = 2 * 3

计算次数：1，时间复杂度：常数复杂度O(1).

def func(n):
    n = 10
    for i in range(n):
        a = 2 * 3

计算次数：n，时间复杂度：线性复杂度O(n).

def func(n):
    n = 10
    for i in range(n):
        for j in range(n):
            a = 2 * 3

计算次数： $n_{}^{2}$ ，时间复杂度：多项式复杂度 $O(n_{}^{2})$ .

def func(n):
    for i in range(n):
        for j in range(i,n):   // i=0时，第二层循环执行n次；i=1时，第二层循环执行n-1次
            a = 2 * 3

计算次数： $n + (n - 1)+... + 1 = \frac{(1 + n)*n}{2}$ .

时间复杂度： $O(\frac{(1 + n)*n}{2})$ ，在时间复杂度的表示中，为了方便，一般只保留最高次的项，且不保留系数，所以，上述代码的时间复杂度可以是 $O(n_{}^{2})$ .

def func(n):     // 递归
    n = 10
    if n <= 1: return n
    return func(n-1) + func(n-1)

时间复杂度：指数复杂度 $O(2_{}^{n})$ .

def func(n):     
    if n <= 1: return n
    return func(n//2)+1    // n除以2，再加一

时间复杂度：对数复杂度 $O(\log n)$ ，以2为底的log n.

def func(n):
    if n <= 1: return
    mid = n // 2
    for i in range(mid+1m,n):
        a = 1
    func(mid)

$f(n) = f(\frac{n}{2}) + \frac{n}{2} = f(\frac{n}{4}) + \frac{n}{2} + \frac{n}{4}$

$f(n) = \frac{n}{2} + \frac{n}{4} + \frac{n}{8} ... \leqslant n$

时间复杂度：渐进复杂度O(n).

a = []   // 全局数组a
def func(x):
    if x == 0:
        a.push(x)     // 如果传入的是0，则往a里放一个0
    else:
        while a.size() >  and x > 0:   // 如果传入的不是0，则从a里pop出x个
            a.pop()
            x -= 1

x == 0时，

单次操作时间复杂度：O(1)

n次操作时间复杂度：O(n)

x != 0时，

单次操作时间复杂度：O(n)

n次操作时间复杂度： $O(n_{}^{2})$

但是，总的pop次数不会超过全部push(x == 0)的次数，所以总体的复杂度为O(n).

在每一步的计算次数都不同的时候，往往我们直接考虑总体次数，就能想明白问题了。

时间复杂度：均摊复杂度O(n)，也是线性复杂度

算法常数：计算次数的最高次项前面的系数，也可以是单语句的计算时间。