时间复杂度与空间复杂度
1.数据结构与算法的概念理解
数据结构的基本概念认知:
- 数据:描述客观事实的符号,是计算机中可以操作的对象,能被计算机识别,并输给计算机处理的符号集合
- 数据元素:是组成数据的、有一定意义的基本单位,在计算机中通常作为整体处理,也被成为记录
- 数据对象:是性质相同数据元素的集合,是数据的一个子集
- 数据项:一个数据元素可以由若干个数据项组成,数据项是数据不可分割的最小单位
数据结构
:相互之间存在一种或者多种特定关系的数据元素的集合。可分为逻辑结构和物理结构
算法:解决特定问题的步骤的描述
特性:输入性、输入性、有穷性、确定性、可行性
- 输入:有零个输入或者多个输
- 输出:只有一个或者多个输出
- 有穷型性:算法在执行有限个步骤时,会自动结束而不会陷入无限循环里面
- 确定性:算法的每一步都有确定的含义而不会出现二义性
- 可行性:算法的每一步都可以通过有限次数完成
要求:正确性、可读性、健壮性、高效率低存储性、简单性
判断算法好坏是通过时间复杂度和空间复杂度来描述
2.大0渐进表示法
官方理解:算法的时间复杂度通常用大O符号表述,定义为T[n] = O(f(n))。称函数T(n)以f(n)为界或者称T(n)受限于f(n)如果一个问题的规模是n,解这一问题的某一算法所需要的时间为T(n)。T(n)称为这一算法的“时间复杂度”。当输入量n逐渐加大时,时间复杂度的极限情形称为算法的“渐近时间复杂度”
个人理解:大O表示法就是近似计算,取大去小,时间复杂度以循环执行次数规模确定大小,空间复杂度以循环创建空间规模确实大小
举例:func1()函数执行的基本次数:F(N)=N2+2N+10—>时间复杂度O(N2)—>空间复杂度O(1)
void func1(int N){ int count = 0; //嵌套for循环执行:N*N = N^2次 for (int i = 0; i < N ; i++) //执行N次 { for (int j = 0; j < N ; j++) //执行N次 { count++; } } for (int k = 0; k < 2 * N ; k++) //执行N次 { count++; } int M = 10; while ((M--) > 0) //执行10次 { count++; } System.out.println(count); }
3.常见时间复杂度
注:一个写法细节- - -因为计算机不好写下标。所以对数阶log2N,表示的是log2N
举例:
//举例一:常数阶---时间复杂度O(1) int x = 90; int y = 100; while (y > 0) { if (x > 100) { x = x - 10; y--; } else { x++; } } //举例二:(二分查找)对数阶---时间复杂度:最好O(1),最坏O(log2N),平均O(log2N) 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; } //举例三:(斐波那契数列)指数阶---时间复杂度:O(2^N) int fibonacci(int N) { return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2); }
4.常见空间复杂度
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 。空间复杂度不是程序占用了多少bytes 的空间,因为这个也没太大意义,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
在实际开发中,由于硬件的更新迭代支持,我们很少考虑空间复杂度问题,通常都是用空间换时间
long factorial(int N) { return N < 2 ? N : factorial(N-1)*N; } //阶乘递归Factorial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) ```c long factorial(int N) { return N < 2 ? N : factorial(N-1)*N; } //阶乘递归Factorial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)