目录
如何判断算法的优劣
对于一个算法而言,算法效率分为两种——时间效率和空间效率,而二者又被称之为时间复杂度、空间复杂度。时间复杂度主要衡量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。而在当今时代计算机的存储容量已经很高,因此我们判断一个算法的优劣主要看的是其时间复杂度。
时间复杂度
一. 时间复杂度的定义
一个算法所花费时间与其中语句执行次数成正比例,因此语句执行次数我们将其大致定义为其时间复杂度(一般在计算时间复杂度时,我们看的是最坏情况)
二. 大O渐近表示法
规则:
- 用常数1代替运行时间中所有的常数项
- 在修改后的运行次数函数中,只保留最高项
- 如果保留下来的项不是1,则去除该项的系数
例:
void func(int n){
int count = 0;
for (int i = 0; i < 2n; i++) {
for (int j = 0; j < n; j++) {
count++;
}
}
for(int i = 0; i < 2*n; i++){
count++;
}
for (int i = 0; i < 10; i++) {
count++;
}
System.out.println(count);
}
对于上述代码:F(n = 2*n^2 + 2*n + 10
根据第一条规则 F(n) = 2*n^2 + 2*n + 1
根据第二条规则 F(n) = 2*n^2
根据第三条规则 F(n) = n^2
因此使用大O渐近表示法可将其表示为O(n^2)
三. 常见的时间复杂度计算
例一:
void func3(int N, int M) {
int count = 0;
for (int k = 0; k < M; k++) {
count++;
}
for (int k = 0; k < N; k++) {
count++;
}
System.out.println(count);
}
F(n) = N + M
时间复杂度:O(N+M)
例二:
void func4(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {
count++;
}
System.out.println(count);
}
F(n) = 100
时间复杂度:O(1)
例三:
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
boolean sorted = true;
for (int i = 1; i < end; i++) {
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false;
}
}
if (sorted == true) {
break;
}
}
}
F(n) = n + n-1 + ......+1 = n*(n + 1) / 2
时间复杂度:O(n^2)
例四:
int binarySearch(int[] array, int value) {
int begin = 0;
int end = array.length - 1;
while (begin <= end) {
int mid = begin + ((end-begin) / 2);
if (array[mid] < value)
begin = mid + 1;
else if (array[mid] > value)
end = mid - 1;
else
return mid;
}
return -1;
}
F(n) = log2(n) -—— log以2为底n的对数
时间复杂度:O(logn)
例五:
long factorial(int N) {
return N < 2 ? N : factorial(N - 1) * N;
}
对于递归的算法来说,时间复杂度为 递归次数 X 一次递归中语句执行次数
F(n) = 1 * N = N
时间复杂度:O(N)
例六:
int fibonacci(int N) {
return N < 2 ? N : fibonacci(N-1) + fibonacci(N-2);
}
F(n) = 1 + 2 + 4 + …… + 2^n = 2^n - 1
时间复杂度:O(2^n)
空间复杂度
一. 空间复杂度的定义
一个算法所花空间与新开辟的空间成正比,因此空间复杂度大致表示为一个算法中的新增加的变量个数,与时间复杂度一样也使用大O渐近表示法
二. 常见的空间复杂度计算
例一:
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
boolean sorted = true;
for (int i = 1; i < end; i++) {
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false;
}
}
if (sorted == true) {
break;
}
}
}
F(n) = 4
空间复杂度:O(1)
例二:
long[] fibonacci(int n) {
long[] fibArray = new long[n + 1];
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; i++) {
fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray;
}
F(n) = n + 3
空间复杂度:O(n)
例三:
long factorial(int N) {
return N < 2 ? N : factorial(N-1)*N;
}
同样的,对于递归算法而言,空间复杂度的计算为 新创建变量个数 X 递归次数
F(n) = 1 * n
空间复杂度:O(n)