执行效率是算法一个非常重要的考量指标,而时间复杂度和空间复杂度则是衡量算法代码的执行效率。
为什么需要复杂度分析
通常情况下,我们可以在写完代码的情况下把程序跑一遍,通过统计、监控,就能得出算法执行的时间和空间内存大小。但这些统计有很大的局限性。
- 测试结果非常依赖测试环境,不同的硬件对测试结果影响很大。
- 测试结果受数据规模影响很大。
所以我们需要一个不用具体的测试数据来测试,就可以粗略地估计算法的执行效率。而这个方法就是算法复杂度分析。
大O表示法
一般使用如下公式来表示时间复杂度:
T(n) = O(f(n))
- T(n)表示代码的执行时间,
- n表示数据的规模,
- f(n)表示每行代码执行的次数总和,因为这是一个公式,所以用f(n)表示。
- 公式中的O表示代码的执行时间T(n)与f(n)表达式成正比。
时间复杂度分析
下面介绍几种常用的分析方法。
只关注循环执行次数最多的一段代码
大O复杂度表示方法只是表示一种变化趋势,通常可忽略掉公式中的常量、低阶、系数,只需记录最大阶的量级即可。
int cal(int n) {
int sum = 0;
int i = 1;
for (; i <= n; ++i) {
sum = sum + i;
}
return sum;
}
第2、3行代码都是常量级执行,与n的大小无关。第4、5行代码执行了n次,所以总的时间复杂度就是O(n)。
加法法则:总复杂度等于量级最大的那段代码的复杂度
int cal(int n) {
int sum_1 = 0;
int p = 1;
for (; p < 100; ++p) {
sum_1 = sum_1 + p;
}
int sum_2 = 0;
int q = 1;
for (; q < n; ++q) {
sum_2 = sum_2 + q;
}
int sum_3 = 0;
int i = 1;
int j = 1;
for (; i <= n; ++i) {
j = 1;
for (; j <= n; ++j) {
sum_3 = sum_3 + i * j;
}
}
return sum_1 + sum_2 + sum_3;
}
上述代码中:
- sum_1执行了100次,复杂度为O(1);
- sum_2执行了n次,时间复杂度为O(n);
- sum_3执行了n*n =n^2, 时间复杂度为O(n^2)。
总的时间复杂度等于量级最大的那段代码的时间复杂度,即O(n^2)。
乘法法则:嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
int cal(int n) {
int ret = 0;
int i = 1;
for (; i < n; ++i) {
ret = ret + f(i);
}
}
int f(int n) {
int sum = 0;
int i = 1;
for (; i < n; ++i) {
sum = sum + i;
}
return sum;
}
第4、5行代码的时间复杂度是T1(n) = O(n),函数f()时间复杂度是T2(n) = O(n),所以整个cal()函数的时间复杂度T(n) = T1(n) * T2(n) = O(n*n) = O(n^2)。
常见时间复杂度分析
常见的复杂度量级并不多,基本都在下图中。
复杂度耗费的时间从小到大依次是:
O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^k)
上速几种复杂度量级粗略地分为两类:多项式量级和非多项式量级。
非多项式量级只有两个:O(2^n)和O(n!)。我们把复杂度为非多项式量级的算法问题叫着NP(Non-Deterministic Polynomial,非确定多项式)问题。非多项式时间复杂度的算法其实非常低效,当数据规模n越来越大时,算法的执行时间会急剧增加,求解问题的执行时间会无限增长。
接下来讲讲多项式量级复杂度:
O(1)
int i = 8;
int j = 6;
int sum = i + j;
O(1)只是常量级时间复杂度的一种表示方法,并不是指只执行了一行代码。上述代码即便有3行,它的时间复杂度也是O(1),而不是O(3)。
一般情况下,只要算法中不存在循环语句、递归语句、即使有成千上万行的代码,其时间复杂度也是O(1)。
O(logn)、O(nlogn)
对数阶时间复杂度非常常见,同时也是最难分析的一种。看列子
i=1;
while (i <= n) {
i = i * 2;
}
通过前面的复杂度分析,第3行代码执行的次数最多。所以,我们只要能计算出这行代码被执行了多少次,就能知道整段代码的世界复杂度。
由于每次i乘以2之后,就距离n更近了,也就是说有多少个2相乘>=n之后,则退出循环即2x=n,我们只要知道x是几,就表示代码执行了多少次,由2x=n,得到x=logn,所以这个循环时间复杂度就是O(logn)。
了解了上述过程之后O(nlogn)时间复杂度就很好理解了,它表示时间复杂度为O(logn)的代码执行了n次。
空间复杂度分析
算法的空间复杂度通过计算算法所需的存储空间实现,算法空间复杂度的计算公式记着:
S(n)=O(f(n))
- n为数据的规模;
- f(n)为语句关于n所占存储空间的函数。
来看一个列子
void print(int n) {
int i = 0;
int[] a = new int[n];
for (i; i <n; ++i) {
a[i] = i * i;
}
for (i = n-1; i >= 0; --i) {
print out a[i]
}
}
第2行代码中,申请了一个空间存储变量i,但它是常量阶的,跟数据规模n没有关系,所以可忽略。
第3行申请了一个大小为n的int类型数组,除此之后,剩下的代码都没有占用跟多的空间,所以整段代码的空间复杂度就是O(n)。
常见的空间复杂度就是O(1)、O(n)、O(n^2),像O(logn)、O(nlogn)这样的对数复杂度平时都用不到。
本篇基本上是对王争老师《数据结构与算法之美》中时间复杂度分析的总结吧。建议大家可以去学习下,收货还是很多的。