文章目录
提示:以下是本篇文章正文内容,Java系列学习将会持续更新
一、时间复杂度
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。
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。
实例1:O(N)
// 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--) > 0) {
count++;
}
System.out.println(count);
}
// O(N)
实例2:O(N+M)
// 计算func2的时间复杂度?
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++;
}
System.out.println(count);
}
// O(N+M) 因为M和N的大小未知
实例3:O(1)
// 计算func3的时间复杂度?
void func3(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {
count++;
}
System.out.println(count);
}
// O(1) 常数级别,与N无关
实例4:O(N^2)
// 计算bubbleSort的时间复杂度?
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) N {
boolean sorted = true;
for (int i = 1; i < end; i++) N {
if (array[i - 1] > array[i])
Swap(array, i - 1, i);
sorted = false;
}
}
if (sorted == true) {
break;
}
}
// O(N^2)
实例5:O(logN)
// 计算binarySearch的时间复杂度?
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;
}
// O(logN) 每次进行除法操作
实例6:O(N)
// 计算阶乘递归factorial的时间复杂度?
long factorial(int N) {
return N < 2 ? N : factorial(N-1) * N;
}
// O(N) 从n*…1, 展开实际上只执行了N次
实例7:O(2^N)
// 计算斐波那契递归fibonacci的时间复杂度?
int fibonacci(int N) {
return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2);
}
// O(2^N) 二叉树结构
实例8:O(NlogN)
public void func(int n) {
for(int sz = 1; sz < n; sz += sz){ //O(logN)
for(int i = 1; i < n; i ++){ //O(N)
System.out.println("Hello,World!");
}
}
}
// O(NlogN)
二、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。
实例1:O(1)
// 计算bubbleSort的空间复杂度?
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--)
for (int i = 1; i < end; i++)
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false;
}
}
// O(1) 使用了常数个额外空间
实例2:O(N)
// 计算fibonacci的空间复杂度?
int[] 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;
}
// O(N) 动态开辟了N个空间
实例3:O(N)
// 计算阶乘递归Factorial的空间复杂度?
long factorial(int N) {
return N < 2 ? N : factorial(N-1)*N;
}
// O(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
总结:
提示:这里对文章进行总结:
以上就是今天的学习内容,本文是Java数据结构的开端,想要提高算法效率就要从时间复杂度和空间复杂度下手,我们先了解这两个概念。之后的学习内容将持续更新!!!