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。
要么 浪费时间 来 换取空间
要么 浪费空间 来 换取时间
2.时间复杂度
2.1时间复杂度的概念
时间复杂度的定义:一个函数,定量描述了该算法的运行时间。算法耗费时间是得通过机器跑起来才能知道的。但所有都上机跑起来就没必要了,太麻烦了,。
正因为麻烦才有了时间复杂度这个分析方式,一个算法所花时间与其中语句的执行次数成正比。
算法中的基本操作的执行次数,为算法的时间复杂度。
2.2大于O的渐进表示法
void funcl(int N){
int count=0;
for(int i=0;i<N;i++){
for(int j=0;j<N;j++){
count++;
}
}
//N*N
for(int k=0;k<2*N;k++){
count++;
}
//2N
int M=10;
while(M--)>0{
count++;
}
System.out.println(count);
}
Func1 执行的基本操作数
F(N)=N*N+2*N+10
实际中也不一定需要精确计算,只需要大概执行次数
大O符号(Big O notation):用于描述函数渐进行为的数字符号。
推导大O阶方法
1>用常数1取代运行时间中所有加法常数
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,则出去与这个项目相乘的常数,得到的结果就是大O阶
有些算法存在最好,平均和最坏情况。
最坏情况:任意输入规模的1最大运行次数
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
举个栗子
在一个长度为N数组中搜寻一个数据
最好情况:一次找到
最坏情况:N次找到
平均情况:N/2次找到
2.3常见时间复杂度计算举例
实列1
/{/计算func2的时间复杂度
void func(int N){
int count = 0;
for (int k=0;k<2*N;k++){
count++;
}
int M=10;
while ((M--)>0){
count++;
}
System.out.println(count);
}
1.
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)
实列2
//计算func的时间复杂度?
void fun3(int N,int M){
int count = 0;
for(int k=0;k<M;K++){
count++;
}
for(int k=0;k<N;K++){
count++;
}
System.out.println(count);
}
2.
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)
实列3
// 计算func4的时间复杂度?
void func4(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {
count++; }
System.out.println(count);
}
3.
实例
3
基本操作执行了
100
次,通过推导大
O
阶方法,时间复杂度为
O(1)
实列4
// 计算bubbleSort的时间复杂度?
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;
}
}
}
实例
4
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)
实列5
// 计算binarySearch的时间复杂度?
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; }
实例
5
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
。(建议通过折纸查找的方式讲解
logN
是怎么计算出来的)
(
因为二
分查找每次排除掉一半的不适合值
,
一次二分剩下:
n/2
两次二分剩下:n/2/2=n/4)
实列6:
// 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; }
6.
实例
6
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)
实列7:
// 计算斐波那契递归fibonacci的时间复杂度?
int fibonacci(int N) {
return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2);
}
7.
实例
7
通过计算分析发现基本操作递归了
2^N
次,时间复杂度为
O(2^N)
。(建议画图递归栈帧的二叉树讲
解)
3.空间复杂度
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。空间复杂度计算规则基本跟实践复杂度
类似,也使用
大
O
渐进表示法
。
实例
1
:
// 计算bubbleSort的空间复杂度?
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;
}
}
}
1.
实例
1
使用了常数个额外空间,所以空间复杂度为
O(1)
实例
2
:
// 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; }
2.
实例
2
动态开辟了
N
个空间,空间复杂度为
O(N)
实例
3
:
// 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.
实例
3
递归调用了
N
次,开辟了
N
个栈帧,每个栈帧使用了常数个空间。空间复杂度为
O(N)