十、时间复杂度和空间复杂度
1. 算法效率
算法效率分析分为两种:
- 时间效率:时间效率被称为时间复杂度,主要衡量的是一个算法的运行速度。
- 空间效率:空间效率被称作空间复杂度,主要衡量一个算法所需要的额外空间。
2. 时间复杂度
2.1 概念
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。
2.2 大O的渐进表示法
// 请计算一下func1基本操作执行了多少次?
void func1(int N){
int count = 0;
for (int i = 0; i < N ; i++) {
for (int j = 0; j < N ; j++) {
count++;
}
}//两个for循环的嵌套,执行了N^2 次
for (int k = 0; k < 2 * N ; k++) {
count++;
}//执行了2N次
int M = 10;
while ((M--) > 0) {
count++;
}//执行了10次
System.out.println(count);
}
则以上代码执行的基本操作次数为: F ( N ) = N ² + 2 N + 10 F(N)=N²+2N+10 F(N)=N²+2N+10
实际中我们计算时间复杂度时,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。
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。
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).
所以使用大O的渐进表示法以后,Func1的时间复杂度为: O ( N ² ) O(N²) O(N²)
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。
2.3常见时间复杂度计算举例
示例1:
void func2(int N) {
int count = 0;
for (int k = 0