算法复杂度性能评估

算法性能评估

---

时间复杂度

• 规模：数据的大小对算法至关重要；例：是一个数据还是一百万条数据？影响很大。
• 运行环境：环境的快慢对算法至关重要；例：在手机和电脑上运行同一算法，速度肯定不一样。

大 O 表示法

def tmp(n):
    add = 0
    for i in range(n):
        add += i
    return add

假设每一行代码的运行时间时 1 unit；
算法的运行时间为：T(n) = (2n + 1) * unit
算法的运行时间与规模成正比，公式表示为：T(n) = O(f(n))；O 表示 T(n) 与 f(n) 成正比

O 表示渐进时间复杂度，表示代码执行时间随数据规模增长的变化趋势

只关注循环次数多的代码

def tmp(n):
    add = 0  # 1 unit
    for i in range(n):  # n * unit
        add += i  # n * unit
    return add

假设 n 为无穷大的数，才有可能计算时间复杂度（如果 n 特别小，程序运行时间误差非常小）
在这个前提下，就可以忽略第一行，只关注循环次数多的代码，将这部分代码看作程序运行时间

此时时间复杂度可以记为：T(n) = O(n)

选大量级

def tmp(n):
    for i in range(999):
        print(0)

    for i in range(n):
        print(1)

    for i in range(n):
        for j in range(n):
            print(2)

前提：假设 n 为无穷大的数
第一个循环的时间复杂度是：2 * 999
第二个循环的时间复杂度是：2 * n
第三个循环的时间复杂度是：n²

这种情况下，只取大量级，此时时间复杂度记为：T(n) = O(n²)

嵌套循环要乘积

def tmp(n):
    for i in range(n):
        a(i)

def a(n):
    for i in range(n):
        print(1)

两层嵌套循环，时间复杂度记为：T(n) = O(n²)

常见复杂度分析

• 非多项式量级
• 多项式量级

空间复杂度

渐进空间复杂度，表示算法的存储空间与数据规模之间的增常关系。

def tmp(n):
	a = [1] * n
	for i in a:
		print(i)

第二行的空间复杂度就是：O(n)