快速解决复杂度以及算法优化

码农天狼

已于 2024-03-31 11:13:59 修改

阅读量1.8k

点赞数 32

分类专栏：数据结构学习文章标签：算法数据结构

于 2024-03-31 11:12:56 首次发布

本文链接：https://blog.csdn.net/m0_67168376/article/details/137193980

版权

数据结构学习专栏收录该内容

3 篇文章 1 订阅

订阅专栏

一、时间复杂度

一、概念

时间复杂度是一个函数，它定性描述该算法的运行时间。这是一个代表算法输入值的长度的函数

大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。

常用的空间复杂度表示有：

常用的时间复杂度表示有：

**O(1)**：常数复杂度。表示算法的执行时间是一个常量，不随输入规模的改变而改变。
**O(log n)**：对数复杂度。表示随着输入规模的增加，算法的运行时间以对数方式增长。
**O(n)**：线性复杂度。表示随着输入规模的增加，算法的运行时间会线性增长。
**O(n^2)**：平方复杂度。表示随着输入规模的增加，算法的运行时间按二次方增长。
**O(n^3)**：立方复杂度。表示随着输入规模的增加，算法的运行时间按三次方增长。
**O(2^n)**：指数复杂度。表示随着输入规模的增加，算法的运行时间按指数方式增长。
**O(n!)**：阶乘复杂度。表示随着输入规模的增加，算法的运行时间按阶乘方式增长。

其中，对数空间复杂度的例子有二分查找算法

// 二分查找函数
int binarySearch(int arr[], int left, int right, int target) {
    while (left <= right) {
        int mid = left + (right - left) / 2;          
        // 如果找到了目标元素，返回其索引
        if (arr[mid] == target) {
            return mid;
        }
        // 如果目标元素小于中间元素，则在左半部分查找
        if (arr[mid] > target) {
            right = mid - 1;
        }
        // 如果目标元素大于中间元素，则在右半部分查找
        else {
            left = mid + 1;
        }
    }

二、快速判定法

计算时间复杂度时，我们并不需要计算准确的执行次数，而做题只需要最坏执行次数，即最多遍历次数，这里我们用大O的渐进表示法。

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。

即我们是面向N进行循环大小的判定，就如之前的二分查找法，我们通过其函数就可以发现

因我们完整遍历需要N次 而二分查找对于每次遍历都化成两部分 认为n=2^x,X=O(log n)

依据相同的原理，我们就可以解决其余时间复杂度的分析。

二、空间复杂度

概念及计算方法

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

通常也使用使用大O表示法来表示空间复杂度的渐近界。

常量空间	如果算法所占用的存储空间大小固定，与输入数据的大小无关，那么空间复杂度为O(1)。
线性空间	如果算法所占用的存储空间与输入数据的大小成正比，即随着输入数据的增大而线性增大，那么空间复杂度为O(n)，其中n表示输入数据的大小。
二维空间	如果算法所占用的存储空间与输入数据的二维规模成正比，例如一个二维数组，那么空间复杂度为O(n^2)或O(m*n)，其中m和n分别表示输入数据的行数和列数。
递归空间	对于递归算法，空间复杂度通常与递归的深度有关。如果递归的深度为n，那么空间复杂度为O(n)。

意味着我们只需要抽象化统计其输入运行变量的个数即可

三、算法优化

一、时间复杂度优化

可以理解为我们要寻找到更能节省运行次数的途径

减少循环次数：通过合理的循环条件和循环体内部的操作，减少不必要的循环次数，从而降低时间复杂度。例如，使用二分查找算法可以在对数时间内找到目标元素，而不是使用线性查找算法。
使用更高效的数据结构：选择适当的数据结构可以大大降低算法的时间复杂度。例如，使用哈希表可以在平均情况下实现常数时间的查找、插入和删除操作，而使用数组则可能需要线性时间的查找操作。
优化算法逻辑：通过改进算法的逻辑，减少不必要的计算和操作，从而降低时间复杂度。例如，在排序算法中，使用归并排序或快速排序等高效算法可以比冒泡排序或插入排序等低效算法更快地完成排序操作。
避免重复计算：对于需要重复计算的问题，可以使用记忆化搜索或动态规划等技术来避免重复计算，从而提高算法的效率。例如，在计算斐波那契数列时，可以使用记忆化搜索将已经计算过的结果保存起来，避免重复计算。

二、空间复杂度优化

空间复杂度优化是指通过改进算法或数据结构，减少程序在运行过程中所使用的内存空间，以提高程序的运行效率

使用数据结构代替数组：将二维带参变量的数组用结构体一维数组代替，可以减少空间复杂度。
使用滚动数组：将无用的空间及时释放，例如使用循环队列，采用“MOD 队列长”的办法解决，避免只有begin和end两个指针造成的空间浪费。
优化递归算法：通过优化递归算法，如使用记忆化搜索或动态规划等技术，来降低空间复杂度。
内存回收：在算法执行过程中，及时回收不再使用的内存，可以通过手动释放内存或使用垃圾回收机制来实现内存回收。
使用压缩算法：对于某些特定类型的数据，可以使用压缩算法来减少空间占用，例如对于大规模文本数据，可以使用压缩算法来减少存储空间。