基本介绍
时间频度:一个算法花费的时间与算法中语句的执行次数成正比,哪个算法中执行次数多,它花费时间就多,一个算法中的语句执行次数称为语句频度或时间频度,记为T(n)
举例说明-基本案例
比如计算1-100所有数字之和,我们设计两种算法:
举例说明-忽略常数项
结论:
1)2n+20 和 2n 随着n 变大,执行曲线无限接近, 20可以忽略
2)3n+10 和 3n 随着n 变大,执行曲线无限接近, 10可以忽略
结论: :
1)2n^2+3n+10 和 2n^2 随着n 变大, 执行曲线无限接近, 可以忽略 3n+10
2)n^2+5n+20 和 n^2 随着n 变大,执行曲线无限接近, 可以忽略 5n+20
结论:
随着n值变大,5n^2+7n 和 3n^2 + 2n ,执行曲线重合, 说明 这种情况下, 5和3可以忽略。
而n^3+5n 和 6n^3+4n ,执行曲线分离,说明多少次方式关键
时间复杂度
一般情况下,算法中的基本操作语句的重复执行次数是问题规模n的某个函数,用T(n)表示,若有某个辅助函数f(n),使得当n趋近于无穷大时,T(n) / f(n) 的极限值为不等于零的常数,则称f(n)是T(n)的同数量级函数。记作 T(n)=O( f(n) ),称O( f(n) ) 为算法的渐进时间复杂度,简称时间复杂度。
T(n) 不同,但时间复杂度可能相同。 如:T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的T(n) 不同,但时间复杂度相同,都为O(n²)。
计算时间复杂度的方法:
用常数1代替运行时间中的所有加法常数 T(n)=n²+7n+6 => T(n)=n²+7n+1
修改后的运行次数函数中,只保留最高阶项 T(n)=n²+7n+1 => T(n) = n²
去除最高阶项的系数 T(n) = n² => T(n) = n² => O(n²)
1.常数阶O(1)
2.对数阶O(log2n)
3.线性阶O(n)
4…线性对数阶O(nlog2n)
5.平方阶O(n^2)
6.立方阶O(n^3)
7.k次方阶O(n^k)
8.指数阶O(2^n)
常见时间复杂度对应的图
说明
常见的算法时间复杂度由小到大依次为:Ο(1)<Ο(log2n)<Ο(n)<Ο(nlog2n)<Ο(n2)<Ο(n3)< Ο(nk) <Ο(2n) ,随着问题规模n的不断增大,上述时间复杂度不断增大,算法的执行效率越低
1)常数阶 O(1)
2)对数阶O(log2n)
3)线性阶O(n)
4)线性对数阶O(nlogN)
5)平方阶O(n²)
6)立方阶O(n³)、K次方阶O(n^k)
平均时间复杂度和最坏时间复杂度
- 平均时间复杂度是指所有可能的输入实例均以等概率出现的情况下,该算法的运行时间。
- 最坏情况下的时间复杂度称最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。
- 这样做的原因是:最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限,这就保证了算法的运行时间不会比最坏情况更长。
- 平均时间复杂度和最坏时间复杂度是否一致,和算法有关(如图:。
算法的空间复杂度简介
基本介绍
- 类似于时间复杂度的讨论,一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间,它也是问题规模n的函数。
- 空间复杂度(Space
- Complexity)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。有的算法需要占用的临时工作单元数与解决问题的规模n有关,它随着n的增大而增大,当n较大时,将占用较多的存储单元,例如快速排序和归并排序算法就属于这种情况
- 在做算法分析时,主要讨论的是时间复杂度。从用户使用体验上看,更看重的程序执行的速度。一些缓存产品(redis,
- memcache)和算法(基数排序)本质就是用空间换时间.