一旦开始翻译就根本停不下来。
知道算法有多快以及占用多少内存是非常有用的,能够帮助你选择合适的算法。
算法复杂度给你一个粗略的关于算法运行时间和占用内存的指示,当某人说这个算法最多O(n^2)的运行时间和O(n)的内存,就表示这个算法有点慢但并不暂用很多内存。
通常通过数学分析来计算算法复杂度,这里不详细介绍如何计算,但是知道这些符号的意义还是很重要的。
符号 | 描述 |
---|---|
O(1) | 最优,这种类型的算法经常消耗同样多的时间,不管有多少数据,例如从数组中查找一个元素的索引 |
O(log n) | 非常好,这种类型的算法不同的元素数量消耗的时间不同,如果你有100个item,需要7次来得到答案,如果是1000个,需要10次,如果1000000需要20测,比较适合数量较多的元素。例如折半查找。 |
O(n) | 比较好 如果你有100个item,那需要100次搜索,如果200个 则需要200次搜索。例如顺序查找。 |
O(nlog n) | 比(n)差,例如快速排序 |
O(n^2) | 有点慢,如果你有100个item,需要100*100次,两倍的item会比慢4倍(2 * 2 = 4),插入排序。 |
O(n * 3) | 差,例如 矩阵乘法 |
O(2 ^ n) | 非常差,你可能想要避免这种算法,但是有时候你别无选择。例如:旅行商问题 |
O(n!) | 极慢,需要花几百年。 |
通常你只需要用直觉就能算出算法复杂度,如果你的代码使用一0个n的元素简单的循环,那么复杂度就是O(n),如果有2个相连的循环,那就是O(n^2),三个就是O(n^3)等等。
注意复杂度只是一个简单的估计而且只有当基数非常大时,例如,插入排序的最差结果是O(n^2),理论上它会比快速排序O(nLogn)慢,但是如果是一小部分数量,插入排序明显要快,尤其是当这个数组本身已经是有序的。
如果你觉得这个有点困惑,别让复杂度困惑太多。它通常在比较两个算法时有用,但是最终你只有测试才知道哪一个更好。而且如果基数确实很小,那么即便是慢的算法也会比快的算法更适合。