算法的时间复杂度和空间复杂度统称为算法复杂度。
一、算法的时间复杂度
- 概念:时间复杂度就是一个函数,该函数计算的是执行基本操作的次数。
时间复杂度的—O渐进表示法
一个算法中语句总的执行次数称为语句的频度或时间频度,记为T(n);n称为时间规模。一般情况下,算法总的执行次数T(n)是n的一个函数f(n),当n不断变化时,时间频度T(n)也会随之不断变化,当n趋于无穷大时,算法执行次数的增长率和f(n)的增长率相同,记作T(n) = O(f(n)),称O(f(n))为算法的时间复杂度。
一般算法O(f(n))的计算方法:用常数1取代运行时间中所有的加法常数;
- 在修正后的运行次数函数中,只保留最高项;
- 如果最高项的系数存在且不是1,则去除与这个项相乘的常数
3.复杂度算法—实例
- 常见的时间复杂度
计算1+2+3+……+n
int Sum(int N)
{
int ret = 0;
for(int idx=0; idx<=N; ++idx)//时间复杂度为O(N),空间复杂度0(1);
{
ret += idx;
}
return ret;
}
利用高斯公式计算
int Sum(int N)
{
int ret = ((N+1)*N)>>1;//高斯公式 时间复杂度O(1) 空间复杂度O(1)
return ret;
}
在数组中查找值为data的元素
nt Find(int *arr,int data,int N)
{
for(int idx=0; idx<N; ++idx)//时间复杂度O(N),空间复杂度O(1)
{
if(idx==data)
{
return idx;
}
}
return -1;
}
二分查找
int Find(int *arr,int left,int right,int data)//时间复杂度O(log2(N)),空间复杂度O(1)
{
while(left<= right)
{
int mid = (right+left)/2;
if(arr[mid] > data)
{
right = mid-1;
}
else if(arr[mid] < data)
{
left = mid+1;
}
else
{
return mid;
}
}
return -1;
}
- 分治算法的时间复杂度(二叉树、二叉搜索树)
对于饱和的二叉树,高度为h,二叉树总的节点数为2^h-1,则二叉树的高度为h = log2N(N是总的接待你个数)
最坏的情况下会调用h个节点,所以二叉树的时间复杂度与二分查找相同,O(log2N); - 递归的时间复杂度
递归算法的时间复杂度 = 递归总次数*每次递归的次数
int Sum(int N)
{
if(N==1)
return 1;
return Sum(N-1)+N;//时间复杂度O(N),空间复杂度O(N)
}
void FunTest(int N)
{
if(N==1)
return;
FunTest(N-1);//时间复杂度O(N),空间复杂度O(1*N*2)--->O(N)
FunTest(N-2);
}
斐波那契函数 时间复杂度O(2^N),空间复杂度O(N)
long long Fibonacc(int n)
{
return (n<2)?(1):(Fibonacc(n-1)+Fibonacc(n-2));
}
斐波那契函数的优化
long long Fibonacc(int n)//时间复杂度O(n),空间复杂度O(1)
{
int i = 0;
int first = 1;
int second = 1;
int sum = 0;
for(i = 3; i<n; ++i)
{
sum = first + second;
first = second;
second = sum;
}
return sum;
}
int Fib(int first,int second,int n)//正向递归
{
if(n==3)
return first+second;
return Fib(second,first+second,n-1);//时间复杂度O(n),空间复杂度O(n)
}
二、空间复杂度
与时间复杂度类似,递归算法的空间复杂度为 = 递归深度*每次递归空间大小