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。
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。
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。
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。
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)
下面是一些时间复杂度计算的实例:
1.
![](https://img-blog.csdnimg.cn/00bcefcb7d1a4039b1ba9c81b6c142fa.png)
👆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)。
2.
![](https://img-blog.csdnimg.cn/4f28f254a7cb433aa83bb0d7aa58de24.png)
👆
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)。
3.
![](https://img-blog.csdnimg.cn/c71adfd7428941fb9927e843db14229e.png)
👆
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)。
4.
![](https://img-blog.csdnimg.cn/dd56b058de244fff8a6ee1b69257df04.png)
👆
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)。
(strchr:长度为N的数组中,搜索一个数据x)
5.
// 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;
}
}
👆冒泡排序,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)。
6.
// 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;
// [begin, end]:begin和end是左闭右闭区间,因此有=号
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;
}
👆二分查找,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)
7.
![](https://img-blog.csdnimg.cn/4da85eb269a24864b0257faceb604489.png)
👆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)
。
8.
![](https://img-blog.csdnimg.cn/2fb1e21531204e78aa47565c6489cfa9.png)
👆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)👇
![](https://img-blog.csdnimg.cn/760b3ac240154da7b30a931c87840c9e.png)
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实践复杂度类似,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。
一些空间复杂度计算的实例:
1.
![](https://img-blog.csdnimg.cn/92bc5fba14ce4798bf3df0052702efe1.png)
👆
使用了常数个额外空间,所以空间复杂度为 O(1)。
2.
![](https://img-blog.csdnimg.cn/860e0414e51348afaeccae10415fe259.png)
👆
动态开辟了
N
个空间,空间复杂度为
O(N)。
3.
![](https://img-blog.csdnimg.cn/9764e125d3124816967245e9a22392cd.png)
👆
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)
4.
![](https://img-blog.csdnimg.cn/55e8bc31b24e4a6a92b118ca40066ab5.png)
画图理解👇
![](https://img-blog.csdnimg.cn/dccb0a50a82644f7a7d7ea50d1d4acc1.png)
👆由于递归时空间不断销毁又重新利用,额外占用空间为n,空间复杂度为O(n)。ps:相比时间是不断累积的,一去不复返,空间是可以重复利用的。
从函数栈帧来看,递归深度太深(递归次数太多),容易栈溢出,这也是递归的最大问题,此时建议改为非递归。