度量一个程序执行时间的两种方法:
1)事后统计的方法
这种方法可行,但是有两个问题:
一是要想对设计的算法的运行性能进行评测,需要实际运行该程序;二是所得时间的统计量依赖于计算机的硬件、软件等环境因素,这种方式,要在同一台计算机的相同状态下运行,才能比较那个算法速度更快。
2)事前估算的方法
通过分析某个算法的时间复杂度来判断哪个算法更优.
算法的时间复杂度时间频度:
时间频度: 一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
举例说明-忽略常数项:
结论:
1)2n+20 和 2n 随着n 变大,执行曲线无限接近, 20可以忽略
2)3n+10 和 3n 随着n 变大,执行曲线无限接近, 10可以忽略
举例说明-忽略低次项
结论:
1)2n^2+3n+10 和 2n^2 随着n 变大, 执行曲线无限接近, 可以忽略 3n+10
2)n^2+5n+20 和 n^2 随着n 变大,执行曲线无限接近, 可以忽略 5n+20
举例说明-忽略系数
结论:
1) 随着n值变大,5n^2+7n 和 3n^2 + 2n ,执行曲线重合, 说明 这种情况下, 5和3可以忽略。
2) 而n^3+5n 和 6n^3+4n ,执行曲线分离,说明多少次方式关键
时间复杂度总结 :
一般情况下,算法中的基本操作语句的重复执行次数是问题规模n的某个函数,用T(n)表示,若有某个辅助函数f(n),使得当n趋近于无穷大时,T(n) / f(n)的极限值为不等于零的常数,则称f(n)是T(n)的同数量级函数。记作T(n)=O( f(n) ),称O( f(n))为算法的渐进时间复杂度,简称时间复杂度。
T(n)不同,但时间复杂度可能相同。如:T(n)=n2+7n+6与T(n)=3n2+2n+2它们的T(n)不同,但时间复杂度相同,都为O(n2)。
计算时间复杂度的方法:
用常数1代替运行时间中的所有加法常数
修改后的运行次数函数中,只保留最高阶项
去除最高阶项的系数
常见的时间复杂度:
1)常数阶O(1)
2)对数阶
3)线性阶O(n)
4)线性对数阶
5)平方阶O(n^2)
6)立方阶O(n^3)
7)k次方阶O(n^k)
8)指数阶O(2^n)
说明:
常见的算法时间复杂度由小到大依次为:o(1)<o(logzn)<o(n)<O(nlogzn)<o(n)<o(n)<o(n4)<o(2"),随着问题规模n的不断增大,上述时间复杂度不断增大,算法的执行效率越低从图中可见,我们应该尽可能避免使用指数阶的算法
示例:
6) 立方阶O(n³)、K次方阶O(n^k)
说明:参考上面的O(n²) 去理解就好了,O(n³)相当于三层n循环,其它的类似
空间复杂度:
1)类似于时间复杂度的讨论,一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间,它也是问题规模n的函数。
2) 空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度。有的算法需要占用的临时工作单元数与解决问题的规模n有关,它随着n的增大而增大,当n较大时,将占用较多的存储单元,例如快速排序和归并排序算法就属于这种情况
3) 在做算法分析时,主要讨论的是时间复杂度。从用户使用体验上看,更看重的程序执行的速度。一些缓存产品(redis, memcache)和算法(基数排序)本质就是用空间换时间.