秃头侠们好呀,今天来聊聊 算法的时间复杂度和空间复杂度
本章重点
1、算法效率
2、时间复杂度
3、空间复杂度
4、常见时间复杂度以及时间复杂度的练习
算法效率
如何衡量一个算法的好坏
我们都知道斐波那契数用递归实现超级简单且很容易理解
long long Fib(int N)
{
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}
短短的几行代码,就实现了斐波那契数,但是这样真的好吗?等下我们来计算它的复杂度我们就知道答案了。
算法的复杂度
算法在编写成可执行程序后,运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏,一般是从时间和空间两个维度来衡量的,即时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法的运行快慢,而空间复杂度主要衡量一个算法运行所需要的额外空间。
在计算机发展的早期,计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展,计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
时间复杂度
时间复杂度的概念
时间复杂度的定义:在计算机科学中,算法的时间复杂度是一个函数,它定量描述了该算法的运行时间。一个算法执行所耗费的时间,从理论上说,是不能算出来的,只有你把你的程序放在机器上跑起来,才能知道。但是我们需要每个算法都上机测试吗?是可以都上机测试,但是这很麻烦,所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例,算法中的基本操作的执行次数,为算法的时间复杂度。
即:找到某条基本语句与问题规模N之间的数学表达式,就是算出了该算法的时间复杂度。
// 请计算一下Func中++count语句总共执行了多少次?
void Func(int N)
{
int count = 0;
for (int i = 0; i < N; ++i)
{
for (int j = 0; j < N; ++j)
{
++count;
}
}
for (int k = 0; k < 2 * N; ++k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
Func的执行次数是
F(N)=N^2+2*N+10
实际中我们计算时间复杂度时,我们其实并不一定要计算精确的执行次数,而只需要大概执行次数,那么这里我们使用大O的渐进表示法。
大O的渐进表示法
大O符号(Big O notation):是用于描述函数渐进行为的数学符号
规则:
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。
所以上面的时间复杂度为O(N^2)
N = 10 F(N) = 100
N = 100 F(N) = 10000
N = 1000 F(N) = 1000000
(当N越大,后面对结果的影响越小)
所以通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项,简洁明了的表示出了执行次数。
时间复杂度分为
最好情况
平均情况
最坏情况
我们稍微一想,当然要取最坏情况,这样最坏的情况我们都考虑到了,那就没有更坏的情况了。
常见时间复杂度计算举例
1、冒泡排序的时间复杂度是多少?
void Swap(int* x, int* y)
{
int tmp = *x;
*x = *y;
*y = tmp;
}
void BubbleSort(int* a, int n)
{
assert(a);
for (int i = 0; i < n; i++)
{
int flag = 0;
for (int j = 1; j < n; j++)
{
if (a[j - 1] > a[j])
{
Swap(&a[j - 1], &a[j]);
flag= 1;
}
}
if (flag == 0)
break;
}
}
第一趟n-1个数比较
第二趟n-2个数比较
第三趟n-3个数比较
…
2个数比较
1个数比较
所以时间复杂度是等差数列求和
冒泡的时间复杂度:O(N^2)
2、二分法的时间复杂度是多少?
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-1;
else
return mid;
}
return -1;
}
算时间复杂度不应该只看几层循环,而要看他的思想
二分查找
最好情况:在中间,一次就找到 O(1)
最坏情况:在两边 / 找不到 O(logN)
(二分查找是一个很牛逼的算法,不过前提是有序序列)
3、阶乘递归的时间复杂度是多少?
long long Fac(size_t N)
{
if(0 == N)
return 1;
return Fac(N-1)*N;
}
递归算法的时间复杂度计算:递归次数*每次递归调用次数
这个还是比较简单的
阶乘递归的时间复杂度:N*1=N
O(N)
4、斐波那契递归Fib的时间复杂度是多少?
long long Fib(int n)
{
if(n<3)
return 1;
return Fib(n-1)+Fib(n-2);
}
所以斐波那契数列递归的时间复杂度是:等比数列求和
O(2^N)
所以递归的斐波那契数时间复杂度很差,递归那么多意味着你要多次开辟栈帧和释放栈帧,我们上一篇刚讲了函数栈帧的创建和销毁
每次创建和销毁栈帧都是对时间和空间的消耗,大大降低效率。
所以斐波那契数建议用迭代(循环)来实现。
空间复杂度
空间复杂度也是一个数学表达式,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时间复杂度类似,也使用大O渐进表示法。
注意:函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了,因此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。
实例
1、冒泡排序因为没有额外的开辟空间所以的空间复杂度为 O(1)
2、阶乘递归的空间复杂度为 O(N)
因为阶乘的递归建立了N个栈帧,递归的空间复杂度要看递归的深度
3、斐波那契数递归的空间复杂度为 O(N)
因为 return Fib(n-1)+Fib(n-2)
先看Fib(n-1)递归建立了n个栈帧,当轮到Fib(n-2)递归的时候Fib(n-1)的递归已经返回,这部分空间已经释放,这时候Fib(n-2)用的是刚才的那一部分空间。
所以:
空间是可以重复利用的,不累计
时间是不可以重复利用的,累计
常见复杂度对比
一般算法常见的复杂度如下:
根据这个图我们很明显能看出来那些时间复杂度较好:
O(N*logN)
O(N)
O(logN)
O(1)
这期就到这里啦,感谢阅读,我们下期再见
如有错 欢迎提出一起交流
关注周周汪哦
关注三连么么么哒