时间复杂度
概念
在计算机科学中,算法的时间复杂度是一个函数(数学上的),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,在不同设备下经常会是不同的,因而不宜直接通过计时来描述算法耗费时间的程度。
一个算法所花费的时间与其中语句的执行次数成正比,因此统计次数能更有效地描述算法耗费时间的程度,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。
如:
void Func(int N) {
int count = 0;
for (int i = 0; i < N; ++i) {
for (int j = 0; j < N; ++j) {
++count;
}
}
for (int k = 0; k < 2 * N; ++k){
++count;
}
int M = 10;
while (M--){
++count;
}
printf("%d\n", count);
}
Func函数中++count的操作次数:
F(N)=N2+2*N+10
大O渐进表示法
实际使用中一般不需要知道准确的执行次数,只用大概的次数描述即可。
大O符号(Big O notation):是用于描述函数渐进行为的数学符号。
推算大O阶的方法:
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
对于前文中的Func函数的例子,取O(N2)
随着N增大,易发现N2与N2+2*N+10差别不大,也就是N2可以有效表示其复杂度,且相较精确的操作次数表达式更为简洁。
另外,算法的复杂度并不一定固定,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)
比如: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)
计算例
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);
}
2N+10,O(N)
void Func2(int N, int M){
int count = 0;
for (int k = 0; k < M; ++k){
++count;
}
for (int k = 0; k < N; ++k){
++count;
}
printf("%d\n", count);
}
M+N,O(M+N)
若M远大于N则渐进于M,即O(M),反之同理。
void Func4(int N){
int count = 0;
for (int k = 0; k < 100; ++k){
++count;
}
printf("%d\n", count);
}
10,O(1),即常数次
//在字符串中查找字符
const char * strchr ( const char * str, int character );
最好1次最坏N次,O(N)
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;
}
}
最好N次最坏N*(N+1)/2次,O(N2)
int BinarySearch(int* a, int n, int x){
assert(a);
int begin = 0;
int end = n - 1;
while (begin < end){
int mid = begin + ((end - begin) >> 1);
if (a[mid] < x)
begin = mid + 1;
else if (a[mid] > x)
end = mid;
else
return mid;
}
return -1;
}
最好1次最坏O(log2N),
记作O(logN)或O(lgN),默认底数为2。
long long Fac(size_t N){
if (0 == N)
return 1;
return Fac(N - 1) * N;
}
递归N次,O(N)
long long Fib(size_t N){
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}
递归2N,O(2N)
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 。
空间复杂度不取决于程序占用了多少bytes的空间,而取决于变量的个数。
空间复杂度计算规则基本与时间复杂度类似,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显式申请的额外空间来确定。
例:
1.
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;
}
}
使用了常数个额外空间,空间复杂度为O(1)
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;
}
动态开辟了N个空间,空间复杂度为O(N)
long long Fac(size_t N){
if (N == 0)
return 1;
return Fac(N - 1) * N;
}
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)
常见复杂度的对比
可见,常数复杂度最优,对数复杂度接近常数复杂度,指数复杂度最次