目录
1.摘要
2.如何衡量算法的好坏
3.时间复杂度
4.大O渐进表示法
5.常见时间复杂度计算举例
6.空间复杂度
7.参考文献
1.摘要
本文浅析算法的时间复杂度与空间复杂度以及它们的求解方式
2.如何衡量算法的好坏
上一节我们讲到,算法是解决特定问题时求解步骤的描述,在计算机中表现为指令的有限序列,且每条指令表示一个或多个步骤。
显然,就像求解高中数学解析几何题一样,面对同一个问题,我们可以想到许许多多的解法,有的解法寥寥数行便能计算出结果,而有的写了一页纸还不够。
显然,放到我们这边的算法身上,我们当然希望我们采用的算法能够既正确,又简洁,有很高的效率。
我们在想,究竟一个好的算法要具备怎样的条件呢?
算法是解决问题的步骤,那么,执行的步骤越短,消耗的时间就越少;另一方面,算法在计算机中表现为指令的有限序列,就需要占用存储空间,那么占用的存储空间肯定越少越好。
是不是可以称为时间效率、空间占用呢?
于是,我们便想出了几个衡量不同算法的优劣程度的指标——时间复杂度与空间复杂度。
时间复杂度衡量一个算法运行的快慢,空间复杂度衡量一个算法运行所需的额外的空间。在计算机发展的早期,存储空间很小,人们非常关注空间复杂度,而随着几十年的发展,存储空间已经足够的大了,空间复杂度便不再那么重要了。
3.时间复杂度
算法的时间复杂度在理论上是时间的函数,描述了一个算法执行所需的时间。诚然,这样是一种很直接的判断方法,但是,这就意味着我们要将算法用代码形式先实现再上机跑。另外,你有没有想过,算法运行出来的时间应该和谁去比较呢?由于硬件的不同,程序在不同电脑上运行的时间一定会有所差异。你说一直用同一台机器跑?难道全世界程序员都用一台机器吗?最后,我们怎么选择算法的测试用例呢?比如测试不同的排序算法的优劣,测试用例是10个数,基本所有排序算法都是一瞬间的事儿;那100万个数咋样?嗯,确实能够比出高下,那为什么不是200万个数呢?所以说,如何选取测试用例根本就不能达成一致。
于是乎,尽管从理论上来讲算法的时间复杂度应该是时间的函数,但在实际操作中,我们发现这样的衡量方式简直过于不切实际,都是事后诸葛亮的做法。
那我们只能采取事前分析估算法了。我们在计算机程序编制前,依据统计方法对于算法进行估算,也就是以算法中执行的基本操作的次数衡量时间复杂度。
而且,当我们在统计上述基本操作的数量时,我们也是估算,并不需要计算精确的执行次数。这就是大O渐进表示法。
哦,原来算法的时间复杂度看的不是程序运行了几分钟、几小时啊!
4.大O渐进表示法
大O符号:用来描述函数渐进行为的数学符号
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、在修改后的运行次数函数中,只保留最高阶项。
3、如果最高阶项存在且不是1,则去除与这个项目相乘的常数。得到的结果就是大O阶。
举个栗子:
假如一个算法的精确的时间复杂度是
3N^2+2N+8
那么,用大O渐进表示法则可表示为:
O(N^2)
再举个栗子:
8
怎么只有个常数8呢?
那么,常数阶的时间复杂度用大O渐进表示法则可表示为:
O(1)
我们可以看到,大O渐进表示法只留下了原表达式中导数最大的项。
另外有些算法的时间复杂度存在最好、平均和最坏情况:
最坏情况:任意输入规模的最大运行次数(上界)
平均情况:任意输入规模的期望运行次数
最好情况:任意输入规模的最小运行次数(下界)
例如:在一个长度为N数组中搜索一个数据x
最好情况:1次找到
最坏情况:N次找到
平均情况:N/2次找到
在实际中一般情况关注的是算法的最坏运行情况,所以数组中搜索数据时间复杂度为O(N)
5.时间复杂度计算举例
例一:
// 计算Func2的时间复杂度?
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 2 * N; ++k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
例二:
// 计算Func3的时间复杂度?
void Func3(int N, int M)
{
int count = 0;
for (int k = 0; k < M; ++k)
{
++count;
}
for (int k = 0; k < N; ++k)
{
++count;
}
printf("%d\n", count);
}
例三:
// 计算Func4的时间复杂度?
void Func4(int N)
{
int count = 0;
for (int k = 0; k < 100; ++k)
{
++count;
}
printf("%d\n", count);
}
例四:
// 计算strchr的时间复杂度?
// 在一个字符串内寻找一个字符
const char * strchr ( const char * str, int character );
例五:
// 计算BubbleSort的时间复杂度?
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i - 1] > a[i])
{
Swap(&a[i - 1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
例六:
// 计算BinarySearch的时间复杂度?
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n - 1;
while (begin < end)
{
int mid = begin + ((end - begin) >> 1);
if (a[mid] < x)
begin = mid + 1;
else if (a[mid] > x)
end = mid;
else
return mid;
}
return -1;
}
例七:
// 计算阶乘递归Fac的时间复杂度?
long long Fac(size_t N)
{
if (0 == N)
return 1;
return Fac(N - 1) * N;
}
例八:
// 计算斐波那契递归Fib的时间复杂度?
long long Fib(size_t N)
{
if (N < 3)
return 1;
return Fib(N - 1) + Fib(N - 2);
}
答案及分析:
- 实例1基本操作执行了2N+10次,通过推导大O阶方法知道,时间复杂度为 O(N)
- 实例2基本操作执行了M+N次,有两个未知数M和N,时间复杂度为 O(N+M)
- 实例3基本操作执行了10次,通过推导大O阶方法,时间复杂度为 O(1)
- 实例4基本操作执行最好1次,最坏N次,时间复杂度一般看最坏,时间复杂度为 O(N)
- 实例5基本操作执行最好N次,最坏执行了(N*(N+1)/2次,通过推导大O阶方法+时间复杂度一般看最坏,时间复杂度为 O(N^2)
- 实例6基本操作执行最好1次,最坏O(logN)次,时间复杂度为 O(logN) ps:logN在算法分析中表示是底 数为2,对数为N。有些地方会写成lgN。
- 实例7通过计算分析发现基本操作递归了N次,时间复杂度为O(N)。
- 实例8通过计算分析发现基本操作递归了2的N次,时间复杂度为O(2^N)。
实际上,时间复杂度取决于一阶导数最大的一项:
6.空间复杂度
现在,我们喜欢用空间换取时间。空间实在是很便宜。
类比时间复杂度,空间复杂度用以衡量实现算法所需的输入、指令、变量、常量、数据操作等所占存储空间大小的函数。实际上,抛去与算法本身无关的输入,空间复杂度只考虑与算法本身有关的辅助单元的大小。
而我们在计算空间复杂度时,同样地,并不是去考虑这个算法写出来占了多少字节的空间,而是统计这个算法的变量个数,也采用大O渐进表示法。
例一:
// 计算BubbleSort的空间复杂度?
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i - 1] > a[i])
{
Swap(&a[i - 1], &a[i]);
exchange = 1;
}
}
if (exchange == 0) break;
}
}
分析:
除去函数参数,为了实现算法,我们开辟了几个额外变量呢?
end、exchange、i
没了吧,那就是O(1)
例二:
// 计算Fibonacci的空间复杂度?
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
if (n == 0)
return NULL;
long long* fibArray = (long long*)malloc((n + 1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray[i - 2];
}
return fibArray;
}
分析:
动态开辟了n+1个存放long long的空间、循环变量i
于是,O(n)
例三:
// 计算阶乘递归Fac的空间复杂度?
long long Fac(size_t N)
{
if (N == 0)
return 1;
return Fac(N - 1) * N;
}
又递归调用了N次Fac,开辟了N个栈帧,每个Fac有一个参数,那就是有开辟了N个Fac的参数
于是,O(N)
7.参考文献
1.大话数据结构 p36