转载:http://blog.sina.com.cn/s/blog_4b146a9c010143mn.html
总结:这里必须注意的是:时间复杂度是整个过程当中循环嵌套次数最多的,例如:
public void suixiangMethod(int n){
这个函数的时间复杂度就是o(n),因为两个独立的for循环,找出嵌套的层数最多的,取最多的就对了。当然,当两个独立的for循环都是o(n)时,那么总的也是o(n)。
同理空间复杂度:必须注意的是o(1)并不是指的新开辟的存储空间只是一个,可以使常数个,只要个数是常数就是对的。这一点很重要。
基本的计算步骤
时间复杂度的定义
根据定义,可以归纳出基本的计算步骤
1. 计算出基本操作的执行次数T(n)
2. 计算出T(n)的数量级
3. 用大O来表示时间复杂度
一个示例:
(1) int num1, num2;
(2) for(int i=0; i
(3)
(4)
(5)
(6)
(7) }
分析:
1.
语句int num1, num2;的频度为1;
语句i=0;的频度为1;
语句i的频度为n;
语句j<=n; j*=2; num2+=num1;的频度为n*log2n;
T(n) = 2 + 4n + 3n*log2n
2.
忽略掉T(n)中的常量、低次幂和最高次幂的系数
f(n) = n*log2n
3.
lim(T(n)/f(n)) = (2+4n+3n*log2n) / (n*log2n)
当n趋向于无穷大,1/n趋向于0,1/log2n趋向于0
所以极限等于3。
T(n) = O(n*log2n)
简化的计算步骤
再来分析一下,可以看出,决定算法复杂度的是执行次数最多的语句,这里是num2 += num1,一般也是最内循环的语句。
并且,通常将求解极限是否为常量也省略掉?
于是,以上步骤可以简化为:
1. 找到执行次数最多的语句
2. 计算语句执行次数的数量级
3. 用大O来表示结果
继续以上述算法为例,进行分析:
1.
执行次数最多的语句为num2 += num1
2.
T(n) = n*log2n
f(n) = n*log2n
3.
// lim(T(n)/f(n)) = 1
T(n) = O(n*log2n)
--------------------------------------------------------------------------------
一些补充说明
最坏时间复杂度
求数量级
即求对数值(log),默认底数为10,简单来说就是“一个数用标准科学计数法表示后,10的指数”。例如,5000=5x10 3 (log5000=3) ,数量级为3。另外,一个未知数的数量级为其最接近的数量级,即最大可能的数量级。
求极限的技巧
要利用好1/n。当n趋于无穷大时,1/n趋向于0
--------------------------------------------------------------------------------
一些规则(引自:时间复杂度计算
1) 加法规则
T(n,m) = T1(n) + T2(n) = O (max ( f(n), g(m) )
2) 乘法规则
T(n,m) = T1(n) * T2(m) = O (f(n) * g(m))
3) 一个特例(问题规模为常量的时间复杂度)
在大O表示法里面有一个特例,如果T1(n) = O(c), c是一个与n无关的任意常数,T2(n) = O ( f(n) ) 则有
T(n) = T1(n) * T2(n) = O ( c*f(n) ) = O( f(n) )
也就是说,在大O表示法中,任何非0正常数都属于同一数量级,记为O(1)。
4) 一个经验规则
复杂度与时间效率的关系:
c < log2n < n < n*log2n < n2 < n3 < 2n < 3n < n! (c是一个常量)
|--------------------------|--------------------------|-------------|
其中c是一个常量,如果一个算法的复杂度为c 、 log2n 、n 、n*log2n,那么这个算法时间效率比较高 ,如果是 2n , 3n ,n!,那么稍微大一些的n就会令这个算法不能动了,居于中间的几个则差强人意。
--------------------------------------------------------------------------------------------------
复杂情况的分析
以上都是对于单个嵌套循环的情况进行分析,但实际上还可能有其他的情况,下面将例举说明。
1.并列循环的复杂度分析
将各个嵌套循环的时间复杂度相加。
例如:
for (i=1; i<=n; i++)
for (i=1; i<=n; i++)
解:
第一个for循环
T(n) = n
f(n) = n
时间复杂度为Ο(n)
第二个for循环
T(n) = n2
f(n) = n2
时间复杂度为Ο(n2)
整个算法的时间复杂度为Ο(n+n2) = Ο(n2)。
2.函数调用的复杂度分析
例如:
public void printsum(int count){
}
分析:
记住,只有可运行的语句才会增加时间复杂度,因此,上面方法里的内容除了循环之外,其余的可运行语句的复杂度都是O(1)。
所以printsum的时间复杂度 = for的O(n)+O(1) = 忽略常量 = O(n)
*这里其实可以运用公式num = n*(n+1)/2,对算法进行优化,改为:
public void printsum(int count){
}
这样算法的时间复杂度将由原来的O(n)降为O(1),大大地提高了算法的性能。
3.混合情况(多个方法调用与循环)的复杂度分析
例如:
public void suixiangMethod(int n){
suixiangMethod 方法的时间复杂度需要计算方法体的各个成员的复杂度。
也就是1.1+1.2+1.3 = O(1)+O(n)+O(n2) ----> 忽略常数 和 非主要项 == O(n2)
--------------------------------------------------------------------------------------------------
更多的例子
O(1)
交换i和j的内容
temp=i;
i=j;
j=temp;
以上三条单个语句的频度为1,该程序段的执行时间是一个与问题规模n无关的常数。算法的时间复杂度为常数阶,记作T(n)=O(1)。如果算法的执行时间不随着问题规模n的增加而增长,即使算法中有上千条语句,其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)。
O(n2)
解:T(n) = 1 + n2 = O(n2)
解:
O(n)
解:
O(log2n)
解: 语句1的频度是1,
解:当i=m, j=k的时候,内层循环的次数为k当i=m时, j 可以取0,1,...,m-1 ,
T(n) = n(n+1)(n-1)/2 = (n3-n)/2
f(n) = n3
所以时间复杂度为O(n3)。
转载 http://www.cnblogs.com/songQQ/archive/2009/10/20/1587122.html
算法的时间复杂度和空间复杂度
常用的算法的时间复杂度和空间复杂度