【基本算法】算法的复杂度

谁是谁的小确幸

已于 2022-06-26 11:49:58 修改

阅读量380

点赞数

分类专栏：算法和数据结构文章标签：算法复杂度时间复杂度空间复杂度

于 2020-12-18 21:39:46 首次发布

本文链接：https://blog.csdn.net/qq_29119581/article/details/111386098

版权

算法和数据结构专栏收录该内容

10 篇文章 4 订阅

订阅专栏

算法意味着解决问题需求的思路或步骤，身为有追求的程序员，算法的基础还是需要具有的，即使没有也可以针对性的去多学习学习，哈哈，我就是这样想的。算法不仅能解决问题需求，也可以散发思维和寻找问题的不同解。话不多说，这篇重点梳理算法的复杂度。

1、算法复杂度

我们知道，对同一个问题可能有成百上千种的不同解法，然而哪种解决方法是最优的选择呢？这就需要从算法占有的时间复杂度和空间复杂度去衡量：

时间复杂度：执行当前算法所消耗的时间。
空间复杂度：执行当前算法需要占用的内存空间大小。

2、时间复杂度

通常使用大 O 表示法标记时间复杂度，公式为：

T(n) = O(f(n))

O 表示 f(n) 受限于 T(n) ，也就是说，算法执行需要的时间 T(n) 随着 f(n) 变化。

举个简单的例子，有一个需要执行 n 次的 for 循环，执行消耗的时间会随着 n 值变化，那么它的时间复杂度则是 O(n)；如果两层 for 循环的话则是n*n，那么时间复杂度就是 O(n^2)；以此类推，n 层 for 循环的话时间复杂度就是 O(n^n) 了。

时间复杂度，常见的级别有：O(1)、O(log n)、O(n)、O(n log n)、O(n^2)、O(2^n)、O(n!) 等，如图所示：

我对这些级别的理解是，假如计划执行特定任务的频率是1s/次的话：

O(1)：意味着执行要消耗1秒，属于常数阶；
O(n)：意味着执行要消耗n秒，属于线性阶；
O(n log n)：意味着执行要消耗n*logn秒，属于对数阶；
O(n!)：意味着执行要消耗n的阶乘次*1秒，O(n!)这种阶乘阶的时间复杂度是很可怕的！

当然了，还有一些高级的时间复杂度。比如：递归算法的时间复杂度、最好情况时间复杂度、最坏情况时间复杂度、平均时间复杂度、均摊时间复杂度。

递归算法的时间复杂度：通常与递归深度 depth 有关，总体时间复杂度为 O(T*depth)。比如递归求和，时间复杂度属于常数阶 O(1)，然而要递归调用 n 次，所以最终时间复杂度为 O(n)；又比如二分查找算法需要 log2^n 次，其时间复杂度为 O(logn) ；难度更大的是计算动态的递归调用次数（深度），比如归并排序算法中，每层的遍历数据量是 O(n) 级别，但它递归的深度并不是 n 层，还要考虑树的每一层数据规模都是在缩减的，即归并排序是 log n 层而不是 n 层，所以完成并归排序的话最终时间复杂度为 O(nlogn)。

最好/最坏情况时间复杂度：比如一个长度为10的数组 arr，我要寻找目标元素的位置，最好的情况当然是 arr[0] 就能取到，用时最短，而最坏的情况会在最后一次取到，即 arr[9]，用时最长。

平均时间复杂度：一般情况下，出现最好/最坏情况的概率比较小，它反映不了执行消耗时间的平均水平，因此需要用在所有情况下执行次数的加权平均值表示，但平均情况下，本质上时间复杂度还是O(n)。

均摊时间复杂度：适合动态操作的情况，比如数组或 Map 等结构的动态扩容，初始化时都会给定一个固定长度的数组，当数组满或者达到设定阈值时则会触发扩容操作，原始数组插入 n 个元素需要耗时 n 秒，时间复杂度是O(1)，扩容时插入一个元素前还需要移动之前的元素，所以扩容后插入一个元素的时间复杂度也是 O(1)，整体上也就是 O(1) 了。