目录
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,
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
2.表示方法: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。
3.时间复杂度
3.1 时间复杂度概念
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,而且根据不同机器不同硬件的影响,有时候同一个算法计算出来的时间都有可能不一样
所以:
算法中的基本操作的执行次数,为算法的时间复杂度
举例:
例如我们看一下这个代码:
void Fun(int n)
{
int i, j;
for (i = 0; i < n; i++)
{
for (j = 0; j < n; j++)
{
;
}
}
for (i = 0; i < 2 * n; i++)
{
;
}
int M = 10;
while (M)
{
M--;
}
}
可以看出来这个函数运算的精确次数是: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
取次数的最高项作为时间复杂度,所以这个函数的时间复杂度为O(n^2)
而在一些算法中运算次数不确定,例如一些查找函数,有可能在第一次就找到,也有可能在第n次就找到
所以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,有一个搜索函数搜索n个数据
最好情况:第一次就找到了
平均情况:在n/2次才找到
最坏情况: 在第n次才找到
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)
总结:
每次都运行常数次的时间复杂度是 O(1)
不是常数次的根据情况取最坏的计算情况作为时间复杂度
3.2 练习
1. 计算阶乘递归Factorial的时间复杂度
long long Factorial(size_t N)
{
return N < 2 ? N : Factorial(N-1)*N;
}
2.计算斐波那契递归Fibonacci的时间复杂度
long long Fibonacci(size_t N)
{
return N < 2 ? N : Fibonacci(N - 1) + Fibonacci(N - 2);
}
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)
4.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字节的空间,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。
总结:
每次程序都开辟常数个空间时,空间复杂度为O(1)
每次程序开辟不是常数次情况,根据变量数可取不同复杂度