目录
前言
数据结构与算法的旅途将从这启航,大家准备好了吗。本篇博客就着重讲解一下时间复杂度的计算
一.算法的效率
在正式进入今天的正题之前,我们先来说说算法的效率问题。衡量一个算法的好坏,一般是从时间和空间两个维度来衡量的,时间复杂度主要衡量一个算法运行的快慢,目前由于计算机存储容量已经达到很高的程度,所以我们基本不需要关注一个算法的空间复杂度,只需要关注时间复杂度就行了,接下来就让我们进入时间复杂度的计算。
二.时间复杂度的计算
先看看下面这串代码,可以来计算下他的时间复杂度
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N ; ++ i)
{
for (int j = 0; j < N ; ++ j)
{
++count;
}
}
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
Func1执行的基本操作次数为N^2+2*N+10,实际上我们计算时间复杂度只需要计算大概执行次数,用大o的渐进表示法来表示即为O(N^2)。
大O渐进表示法
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。
注意:我们在一般情况下关注的是最坏的运行情况,即最大值
实例演示
1.已知循环次数,求时间复杂度
void func2(int n)
{
int count = 0;
for (int k = 0; k < 2 * n; ++k)
{
++count;
}
int m = 10;
while (m--)
{
++count;
}
printf("%d\n", count);
}
上面这串代码可以看出其基本操作次数即算它循环次数,即为2*n+10,它的时间复杂度为O(N)。
2.不知两次循环哪个大哪个小,求时间复杂度
void func3(int n, int m)
{
int count = 0;
for (int k = 0; k < m; ++k)
{
++count;
}
for (int k = 0; k < n; k++)
{
++count;
}
printf("%d\n", count);
}
上面这串代码其基本操作次数为m+n,很多人都会认为时间复杂度为O(N),但这里没有说明m和n直接的大小关系,故即为O(m+n)。
3.循环数为常数项,求时间复杂度
void func4(int n)
{
int count = 0;
for (int k = 0; k < 100; ++k)
{
++count;
}
printf("%d\n", count);
}
上面这串代码的很明显的可以看出其循环了100次,因为100为常数,故其时间复杂度为O(1)。
4.无函数循环,求时间复杂度
const char* strchr(const char* str, int character);
上面这行代码中可能大家对strchr不太熟悉,其实在字符串中查找一个字符,这里不知道其代码基本操作次数,随着输入的不同,时间复杂度不同,此时要看最坏的情况,即此时这串代码的时间复杂度为O(N)。
5.求冒泡排序的时间复杂度
void bubblesort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i - 1] > a[i])
{
swap(&a[i - 1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
上面这个冒泡排序的代码,其基本操作次数为n*(n-1)/2,其时间复杂度为O(N^2)。
6.二分查找求时间复杂度
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n - 1;
while (begin <= end)
{
int mid = begin + ((end - begin) >> 1);
if (a[mid] < x)
begin = mid + 1;
else if (a[mid] > x)
end = mid - 1;
else
return mid;
}
return -1;
}
上面这串二分查找代码,即2^x=n,此时的时间复杂度为O(n)=logN。
7.计算阶乘递归的时间复杂度
long long Fac(size_t N)
{
if (0 == N)
return 1;
return Fac(N - 1) * N;
}
上面这串阶乘代码,实际上就是递归了n次时间复杂度为O(N).
8.斐波那契数列的时间复杂度
long long Fib(size_t N)
{
if (N < 3)
return 1;
return Fib(N - 1) + Fib(N - 2);
}
此时他的数据图如下
此时的时间复杂度为O(2^N)。
总结
本篇时间复杂度的计算在这已经结束了,相信这篇文章可以让你更加了解时间复杂度,看到结尾,可以个作者一个小小的点赞和关注吗。