1.算法效率:
算法效率分析分为两种:第一种是时间效率,第二种是空间效率。
时间效率被称为时间复杂度,而空间效率被称作 空间复杂度。
时间复杂度主要衡量的是一个算法的运行速度,而空间复杂度主要衡量一个算法所需要的额外空间。
时间复杂度的概念: 算法中的基本操作的执行次数,被称为算法的时间复杂度。
时间复杂度的计算方法: 大O的渐进表示法
推导大O阶方法:
1.用常数1取代运行时间中的所有加法常数。
2.在修改的运行次数函数中,只保留最高阶项。
3.如果最高阶项存在且不为1,去掉与其相乘的常数,得到的即为大O阶。
EX1:
O = 2N+10 -------> N;
EX2:
基本执行次数:O = M+N;
EX3:
O = 100 -----> = 0;
EX4:
冒泡排序的时间复杂度计算:
void bubbleSort(int arr[], int n) {
for (int i = 0; i < n - 1; i++) { // 外层循环
for (int j = 0; j < n - i - 1; j++) { // 内层循环
if (arr[j] > arr[j + 1]) {
// 交换操作
}
}
}
}
最好的情况:数组均为顺序,如:int[] num = {1,2,3,4,5}, 遍历一次后即可结束,此时外层循环1次,内层循环n-1次,此时O= N-1+1 = N
最坏的情况:数组均为逆序: 如:int[] num = {5,4,3,2,1},内外层均需循环,外层循环N-1次,
内层循环次数:(N-1)+(N-2)+(N-3)+......+2+1 ,
等差数列求和公式:(1+(N-1))*(N-1)/2 = ..... = ----->
根据大o阶方法:
O = N^2 + N-1 ----->N^2
EX5 二分法的时间复杂度计算:
int binarySearch(int[] array, int value) {
int begin = 0;
int end = array.length - 1;
while (begin <= end) {
int mid = begin + ((end-begin) / 2);
if (array[mid] < value)
begin = mid + 1;
else if (array[mid] > value)
end = mid - 1;
else
return mid;
}
return -1;
}
EX6:
// 计算阶乘递归factorial的时间复杂度?
long factorial(int N) {
return N < 2 ? N : factorial(N-1) * N;
}
3.空间复杂度的计算:
空间复杂度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
。空间复杂度不是程序占用了多少
bytes
的空 间,因为这个也没太大意义,所以空间复杂度算的是变量的个数。方法和大O阶方法类似。
EX1:
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
boolean sorted = true;
for (int i = 1; i < end; i++) {
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false;
}
}
if (sorted == true) {
break;
}
}
- 输入数组:
array
是输入参数,空间复杂度分析时不包括输入数据的空间。 - 额外变量:
end
,sorted
, 和i
都是常量级别的变量(常数),其空间消耗是 O(1). - 所以总空间复杂度为:O = 1
EX2:
-
// 计算fibonacci的空间复杂度? int[] fibonacci(int n) { long[] fibArray = new long[n + 1]; fibArray[0] = 0; fibArray[1] = 1; for (int i = 2; i <= n ; i++) { fibArray[i] = fibArray[i - 1] + fibArray [i - 2]; } return fibArray;
输入参数n不用管,主要看变量个数,由for循环可知,其动态开辟了N个空间,
-
所以O = N.
EX3:
// 计算阶乘递归Factorial的空间复杂度?
long factorial(int N) {
return N < 2 ? N : factorial(N-1)*N
此处递归调用了N次,开辟了N个栈帧,而每个栈帧又开辟常数个空间,所以O = N.
以上就是今天要给大家介绍的内容了,喜欢的来个三联!