复杂度分析相关

最新推荐文章于 2022-08-24 09:15:50 发布

hezlik

最新推荐文章于 2022-08-24 09:15:50 发布

阅读量458

点赞数

分类专栏：算法入门

本文链接：https://blog.csdn.net/hzk_cpp/article/details/102555506

版权

算法入门专栏收录该内容

43 篇文章 6 订阅

订阅专栏

一.复杂度的定义.

复杂度：复杂度是衡量一个代码质量的重要指标，主要分为时间复杂度与空间复杂度，其中又以时间复杂度更为重要.

复杂度记号：一个算法 $X$ 的复杂度上界 $O (X)$ 定义为 $X$ 的运行总量多项式只保留最高次项并去掉常数后的值，例如：
$O(3n^{2}+5n+7)=O(n^{2})\\ O(7\sqrt{8n}+10\log_{3.4} n)=O(\sqrt{n})\\ O(5n^{2}\log_{3.5}^{3}(100n))=O(n^{2}\log^{3} n)\\ O(2^{n+2}+8n^{7})=O(2^{n})$

当然有些时候常数对代码的效率影响也很大，但在复杂度计算中不予考虑.

其实记号 $O$ 表示的只是一个上界，也就是说一个算法的复杂度为 $O(n^2)$ ，那么它的复杂度也可以被写为 $O(n^3)$ .

再来一些实例解释一下吧，比如说下面这串代码：

int ans=0;
for (int i=1;i<=n;i+=5)
  for (int j=n;j>=10;--j)
    for (int k=1;k<=n;k+=2) ++ans;

这串代码的时间复杂度就是 $O(n^3)$ .

在比如说下面这串代码：

int ans=0;
for (int i=1;i<=n;i<<=1)
  for (int j=2;j<1<<i;++j)
    for (int k=4;k*k<=n;++k) ++ans;

这串代码的时间复杂度就是 $O(2^{n}\sqrt{n}\log n)$ .

除此之外，复杂度还有记号例如 $\Omega(n)$ 和 $\Theta(n)$ ，其中 $\Omega$ 表示下界， $\Theta$ 表示上下都有界.

二.积分估计计算时间复杂度.

若对于某一个和式：
$\sum_{i=1}^{n}f(i)$

其中 $f (x)$ 是一个多项式，但这个东西并不好估计它的具体值，我们该如何计算呢？

有一个非常简单的方法，直接将这个和式看成积分的离散表示，然后直接用积分算复杂度.

由于复杂度计算的只是大概值，所以这样算是没有关系的.

也就是说：
$O\left(\sum_{i=1}^{n}f(i)\right)=O\left(\int_{1}^{n}f(i)\mathrm{d}i\right)$

一个经典的例子是计算如下和式在复杂度表示中的值：
$O\left(n\sum_{i=1}^{n}\frac{1}{i}\right)=O\left(n\int_{i=1}^{n}\frac{1}{i}\mathrm{d}i\right)=O(n\log n)$

三.主定理.

对于一个递归函数：
$T(n)=aT(\frac{n}{b})+f(n)$

如何计算 $O (T (n))$ 呢？

主定理：对于 $T(n)=aT(\frac{n}{b})+f(n)$ ，则有：
$\left\{\begin{matrix} O(n^{\log_{b}a})&\exists k>0\Rightarrow f(n)=O(n^{\log_{b}a-k})\\ O(n^{\log_{b}a}\log^{k+1}n)&\exists k>0\Rightarrow f(n)=O(n^{\log_{b}a}\log^{k}n)\\ O(f(n))&\exists k>0\Rightarrow f(n)=\Omega(n^{\log_{b}a+k}) \end{matrix}\right.$

有了主定理我们就可以算很多分治算法的复杂度了，例如：
$T(n)=2T(\frac{n}{2})+O(1)\Rightarrow O(T(n))=O(n)\\ T(n)=T(\frac{n}{2})+O(1)\Rightarrow O(T(n))=O(\log n)\\ T(n)=2T(\frac{n}{2})+O(n\log n)\Rightarrow O(T(n))=O(n\log^2 n)\\ T(n)=2T(\frac{n}{2})+O(n^2)\Rightarrow O(T(n))=O(n^2)$

四.均摊分析.