前言
数据结构时间复杂度与空间复杂度讲解
算法效率
算法效率指的是算法在处理数据时所消耗的时间和空间资源的多少。算法效率通常由时间复杂度和空间复杂度来衡量。时间复杂度: 表示算法在处理数据时所需要的运算次数与数据规模之间的关系。空间复杂度: 表示算法在处理数据时所需要的存储空间与数据规模之间的关系。算法效率的好坏直接影响到算法的执行速度和资源利用率,是算法设计时需要考虑的重要因素之一。
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,是无法计算的,只有把程序放在机器上跑起来,才能知道。但如果每个都用机器跑一遍才能知道时间复杂度,就过于麻烦,所以我们可以大致估算一下。
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。
举个例子:
//计算一下Func1中++count语句一共执行了多少次?
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N; ++i)
{ //外层循环n次
for (int j = 0; j < N; ++j)
{
++count; //内层循环n
//内外层循环相乘n*n
}
}
for (int k = 0; k < 2 * N; ++k)
{
++count; //2*N 次
}
int M = 10;
while (M--)
{
++count; //循环10次
}
printf("%d\n", count);
}
Func1 执行的基本操作次数 :
N = 10 F(N) = 130
N = 100 F(N) = 10210
N = 1000 F(N) = 1002010
在实际计算过程中我们并不需要算的这么精确,我们一般来说只用算出大概的执行次数。所以就要用到大O的渐进表示法。
大O的渐进表示法
大O表示法是算法时间复杂度的渐进表示法,表示算法的运行时间在最坏情况下的渐进上限。(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。
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)
在实际中一般情况关注的是算法的最坏运行情况
需要注意的是,大O表示法只关注算法的渐进时间复杂度,而不关注算法的具体实现细节和常数项。因此,两个算法的时间复杂度可能相同,但它们的实际运行时间可能差别很大,这需要具体问题具体分析。
时间复杂度计算举例
// 计算Func1的时间复杂度?
void Func1(int N)
{
int count = 0;
for (int k = 0; k < 2 * N; ++k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
例1解析:
上述算法基本操作执行了2N+10次,通过推导大O阶方法知道,时间复杂度为 O(N)。
// 计算Func2的时间复杂度?
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 100; ++k)
{
++count;
}
printf("%d\n", count);
}
例2解析:
上述算法基本操作执行了10次,通过推导大O阶方法,时间复杂度为 O(1)。
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,因为存储空间的不断增加,算出占用多大bytes,没有意义,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时间复杂度类似,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。
空间复杂度计算举例
//计算fun3的空间复杂度?
void fun3(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end) //end
{
int exchange = 0; //exchange
for (size_t i = 1; i < end; ++i) //i
{
if (a[i - 1] > a[i])
{
Swap(&a[i - 1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
例3解析:
图中算法用三个变量,为常数个变量,使用了常数个额外空间,所以空间复杂度为 O(1)。
// 计算Fibonacci的空间复杂度?
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
if (n == 0)
return NULL;
long long* fibArray = (long long*)malloc((n + 1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray[i - 2];
}
return fibArray;
}
例4解析:
斐波那契数列使用malloc动态内存函数开辟了N个空间,动态开辟了N个空间,空间复杂度为 O(N)。
常见复杂度对比
大O渐进表示法 | 时间复杂度类型 | 算法的执行时间与输入规模的关系 | 对应算n |
---|---|---|---|
O(1) | 常数时间复杂度 | 表示算法的执行时间与输入规模无关 | 访问数组元素、哈希表操作等。 |
O() | 对数时间复杂度 | 表示算法的执行时间与输入规模无关 | 二分查找、平衡二叉树操作等。 |
O(n) | 线性时间复杂度 | 表示算法的执行时间与输入规模的对数相关 | 线性查找、顺序遍历数组等。 |
O() | 线性对数时间复杂度 | 表示算法的执行时间与输入规模成线性关系 | 归并排序、快速排序等。 |
O() | 平方时间复杂度 | 表示算法的执行时间介于线性和对数之间 | 冒泡排序、选择排序等。 |
O() | 立方时间复杂度 | 表示算法的执行时间与输入规模的立方相关 | 矩阵乘法等。 |
O() | 指数时间复杂度 | 表示算法的执行时间与输入规模的指数相关 | 求解子集、穷举等 |
总结
时间复杂度和空间复杂度是用来衡量算法性能的两个重要指标。
时间复杂度表示算法的运行时间随着数据规模的增长而增长的趋势,通常用大O表示法来表示。时间复杂度越低,算法的效率越高。空间复杂度表示算法所需内存空间增长的趋势,同样用大O表示法来表示。空间复杂度越低,算法所需内存空间越少。
在实际应用中,我们要综合考虑时间复杂度和空间复杂度,找到一个性能和资源占用的平衡点,以实现最优的算法效果。