算法的复杂度分为时间复杂度和空间复杂度。今天谈谈时间复杂度。
一、先上一段代码,计算一下循环中语句总共会执行多少次:
上面的代码语句总执行次数为:f(n)=n^2+2*n+10。
由此可看出时间复杂度实际就是一个函数,该函数计算的是执行基本操作的次数。
二、算法存在最好、平均和最坏的情况:
(1)最坏情况:任意输入规模的最大运行次数(上界);
(2)平均情况:任意输入规模的期望运行次数;
(3)最好情况:任意输入的规模最小运行次数,通常最好情况不会出现(下界)。
例如:在一个长度为N的线性表中搜索一个数据x
最好情况:1次比较
最坏情况:N次比较
平均情况:N/2次比较
在实际中通常关注的是算法的最坏运行情况,即:任意输入规模N,算法的最长运行时间。理由如下:
(1)一个算法的最坏情况的运行时间是在任意输入下的运行时间上界
(2)对于某些算法,最坏的情况出现的较为频繁
(3)大体上看,平均情况与最坏情况一样差
因此:一般情况下使用O渐进表示法来计算算法的时间复杂度。
一、先上一段代码,计算一下循环中语句总共会执行多少次:
上面的代码语句总执行次数为:f(n)=n^2+2*n+10。
由此可看出时间复杂度实际就是一个函数,该函数计算的是执行基本操作的次数。
二、算法存在最好、平均和最坏的情况:
(1)最坏情况:任意输入规模的最大运行次数(上界);
(2)平均情况:任意输入规模的期望运行次数;
(3)最好情况:任意输入的规模最小运行次数,通常最好情况不会出现(下界)。
例如:在一个长度为N的线性表中搜索一个数据x
最好情况:1次比较
最坏情况:N次比较
平均情况:N/2次比较
在实际中通常关注的是算法的最坏运行情况,即:任意输入规模N,算法的最长运行时间。理由如下:
(1)一个算法的最坏情况的运行时间是在任意输入下的运行时间上界
(2)对于某些算法,最坏的情况出现的较为频繁
(3)大体上看,平均情况与最坏情况一样差
因此:一般情况下使用O渐进表示法来计算算法的时间复杂度。
三、时间复杂度之大O渐进表示法
一个算法语句总执行次数是关于问题规模N的某个函数,记为f(N),N称为为题的规模。语句总的咨询过次数记为T(N),当N不断变化时,T(N)也在变化,算法执行次数的增长速率和f(N)的增长速率相同。则有T(N)=O(f(N)),称O(f(N))为时间复杂度的O渐进表示法。
常见的复杂度,看一段代码:
以上的代码总执行的次数:f(n)=2*n+10。求该段代码的时间复杂度步骤如图所示:
由图可看出一般算法O(n)的计算方法为:
(1)、给出一段代码要求出执行次数的表达式;
(2)、将表达式放入大O中;
(3)、用常数1取代运行时间中的所有加法常数;
(4)、在修改后的运行次数函数中,只保留最高阶项;
(5)、如果最高阶项系数存在且不是1,则去除与这个项相乘的常数。
四、递归算法时间复杂度:递归总次数*每次递归次数。