数据结构和算法解决的是如何更省,更快的存储和处理数据的问题。因此就需要一个考量效率和资源消耗的方法,这就是复杂度分析方法。对应效率的复杂度分析方法就是时间复杂度;对应资源消耗的复杂度分析方法就是空间复杂度。
复杂度分析是整个算法学习的精髓,只要掌握了它,数据结构和算法的内容基本上就掌握了一半。
为什么需要复杂度分析
事后分析法有局限性
- 测试结果非常依赖测试环境:不同的处理器,内存,os可能结果大不一样
- 受数据规模的影响很大:如排序算法,小规模的数据直接插入和快速排序差异不大,但数据规模增大后结果就大不一样了。
什么是时间复杂度
用于估算算法执行效率。使用大O表示法表示时间复杂度,大O表示法的时间复杂度并不是算法的真正执行时间,而是一种估算,表示代码执行时间随数据规模增长的变化趋势,也称为渐进时间复杂度,对应英文是:asymptotic time complexity。
当数据量很大时时间复杂度由最大量级决定,一些低阶的,常量等可直接忽略。如T(n) = 3 * n + n * n, 则用O表示法时间复杂度为:O(n * n);
时间复杂度分析的常用技巧
分析一段代码时间复杂度时,只关注循环执行次数最多的那一段代码即可。如果有多段循环代码,可用加法表示出来,如:
T(n) = 10 + n + n * n。 则最后整体的时间复杂度就等于量级最大的那段代码的时间复杂度。在这个例子就是O(n) = n * n;
常见的复杂度量级
- 常量阶 O(1) : 代码时间不随n的增大而增大,即使代码行本身很长也还是常量阶
- 对数阶 O(logn) :对数阶非常常见,也较难分析,一般看到有折半的时候常常伴随着对数阶
- 线性阶 O(n):如一个简单的循环,需要执行n次,这就是线性阶
- 线性对数阶 O(nlogn):如高级排序算法快速排序,归并排序
- 平方阶 O(n * n):如循环嵌套循环
- 立方阶 O(n * n * n):如三层循环
- 指数阶 O(2 ^ n):性能急剧下降,很少用到
- 阶乘阶 O(n!):性能急剧下降,很少用到
什么是空间复杂度
用于估算算法的执行资源消耗,跟时间复杂度类似,表示算法的存储空间与数据规模之间的增长关系。全称为:渐进空间复杂度(asymptotic space complexity).
注意:分析时找出算法额外需要的空间和n之间的关系即可。
空间复杂度没有时间复杂度复杂,一般不存在对数阶。常见的就是:常量阶O(1), 线性阶O(n),平方阶O(n * n)。
小结
复杂度也称为渐进复杂度,分为时间复杂度和空间复杂度,用来从执行效率和资源利用率两个角度衡量算法的优劣。最最常见的复杂度就是:常量阶,对数阶,线性阶,线性对数阶,平方阶。