【数据结构与算法】基于大O表示法（Big O notation）的算法复杂度分析：通过时间复杂性和空间复杂性评估

HEX9CF

于 2024-07-17 12:09:23 发布

阅读量222

点赞数 15

分类专栏： Data Structures and Algorithms 文章标签：算法数据结构

本文链接：https://blog.csdn.net/qq_34988204/article/details/136417988

版权

27 篇文章 0 订阅

订阅专栏

引言

算法的效率通常通过时间复杂性和空间复杂性来评估。时间复杂性是指执行算法所需要的计算工作量，空间复杂性是指执行该算法所需要的存储空间。理想的算法通常是在满足问题要求的前提下，尽可能地减少所需的计算时间和存储空间。

大O表示法（Big O notation）是在计算机科学中用来描述算法复杂度的数学符号。它描述的是随着输入大小的增长，算法的运行时间或所需空间的增长率。

大O表示法通常用来描述最坏情况下的运行时间或空间需求，但也可以用来描述平均或最佳情况。

注意：大O表示法只关注最主要的部分，忽略了常数因子和低阶项。例如，如果一个算法的运行时间是 $3n^2 + 2n + 1$ ，我们会说它的时间复杂度是 $O(n^2)$ 。

时间复杂度是一个函数，它定量描述了一个算法的运行时间。这是一个理论的计算机科学概念，用于描述算法的效率或速度。时间复杂度通常用大O符号表示。

时间复杂度函数通常用来表示随着输入数据量的增加，算法所需的时间将如何增加。例如，如果一个算法的时间复杂度是 $O (n)$ ，那么当输入的数据量翻倍时，执行算法所需的时间也将大致翻倍。

以下是一些常见的时间复杂度：

$O (1)$ ：常数时间，表示算法的执行时间不随输入数据量的增加而改变。例如，访问数组中的元素。
$O (n)$ ：线性时间，表示算法的执行时间与输入数据量成正比。例如，遍历一个数组。
$O(n^2)$ ：平方时间，表示算法的执行时间与输入数据量的平方成正比。例如，两层嵌套循环遍历二维数组。
$O (l o g n)$ ：对数时间，表示算法的执行时间与输入数据量的对数成正比。例如，二分查找算法。
$O (n l o g n)$ ：线性对数时间，表示算法的执行时间与输入数据量和输入数据量的对数的乘积成正比。许多高效的排序算法（如归并排序和快速排序）都具有这种时间复杂度。

注意：时间复杂度描述的是算法的运行时间与输入数据量的关系，它并不直接表示算法的实际运行时间。

空间复杂度是一个函数，它定量描述了一个算法的内存使用情况。这是一个理论的计算机科学概念，用于描述算法的内存效率。空间复杂度通常也用大O符号表示。

空间复杂度函数通常用来表示随着输入数据量的增加，算法所需的内存将如何增加。例如，如果一个算法的空间复杂度是 $O (n)$ ，那么当输入的数据量翻倍时，算法所需的内存也将大致翻倍。

以下是一些常见的空间复杂度：

注意：空间复杂度描述的是算法的内存使用与输入数据量的关系，它并不直接表示算法的实际内存使用量。在实际编程中，我们通常希望优化算法以降低其时间复杂度和空间复杂度，以提高程序的运行效率和节省内存资源。

(1) 时间复杂度为 $O (nm)$ ，因为有两层循环，第一层循环n次，第二层循环m次。

for(i=0;i<n;i++)
    for(j=0;j<m;j++)
      a[i][j]=0;

(2) 时间复杂度为 $O(n^2)$ ，因为有两层循环，每层循环都执行n次。

s=0;
for(i＝0; i＜n;i++)
   for(j＝0;j<n;j++)
    s+＝B[i][j]
sum=s;

(3) 时间复杂度为 $O(\log_{3}n)$ ，因为每次循环i都乘以3，所以循环的次数是n的以3为底的对数。

i=1；
while(i<=n)
i=i*3;

(4) 时间复杂度为 $O(n^2)$ ，因为有两层循环，每层循环都执行n次。

x=0;
for(i＝1;i＜n;i++)
   for(j＝1;j<＝n-1;j++)
      x++;

关注