算法复杂度的介绍

Yoin.

已于 2024-03-21 19:24:59 修改

阅读量943

点赞数 9

分类专栏：算法文章标签：算法

于 2024-03-21 19:23:13 首次发布

本文链接：https://blog.csdn.net/qq_39484271/article/details/136918076

版权

算法专栏收录该内容

23 篇文章 4 订阅

订阅专栏

算法复杂度简介

复杂度也叫渐进复杂度，包括时间复杂度和空间复杂度，用来分析算法执行效率与数据规模之间的增长关系，可以粗略地表示，越高阶复杂度的算法，执行效率越低。常见的复杂度并不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O( $n^{2}$ )、O( $n^{3}$ )、O( $2^{n}$ )、O(n!)、O( $n^{n}$ )

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

n用来表示数据规模的大小
f(n)表示代码执行次数的总和
O用来表示正比的关系
去掉所有加法项常数
只保留最高阶项
若最高阶存在，则去除最高阶前面的系数
若与对数项带阶数，直接将阶数作为系数
T()表示算法复杂度

原则：

1.只关注执行次数最多的一段代码

我们在分析一个算法、一段代码的时间复杂度的时候，也只关注循环执行次数最多的那一段代码就可以了（由于常量，低阶和系数在O时间复杂度表示法中可省略，因为它们量级低，执行次数最多的一段代码才会是高量级）。

2.加法法则：总复杂度等于量级最大的那段代码的复杂度

执行次数是n次的代码和执行次数是n²的代码在一起，总的复杂度是O(n²)。因为当n无限大的时候，n的时间复杂度可以省略，因为它对正比对应关系的趋势没影响。

加法法则对应成公式的形式：如果 T1(n)=O(f(n))，T2(n)=O(g(n))；那么 T(n)=T1(n)+T2(n)=max(O(f(n)), O(g(n))) =O(max(f(n), g(n))).

3. 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

乘法法则是一个嵌套循环的情况：

O(n)的含义是：该算法处理数据规模为n的数据，时间复杂度为n

O( $n^{2}$ )的含义是：该算法处理数据规模为n的数据，时间复杂度为 $n^{2}$

O(n logn)的含义是：该算法处理数据规模为n的数据，时间复杂度为n logn

算法改变原始问题的处理规模

若机器1s可处理的数据规模为 $10^{8}$ ，对于O(n)复杂度的算法，1s可处理 $10^{8}$ 规模的数据

若机器1s可处理的数据规模为 $10^{8}$ ，对于O( $n^{2}$ )复杂度的算法，1s可处理 $10^{8}$ 规模的数据

（设可处理的数据规模为k，则经过此算法后数据规模变为 $k^{2}$ , $k^{2}$ = $10^{8}$ ,k= $10^{4}$ ）

算法复杂度的求法：

常量阶O(1)

O(1) 只是常量级时间复杂度的一种表示方法，并不是指只执行了一行代码。，只要代码的执行时间不随 n 的增大而增长，这样代码的时间复杂度我们都记作 O(1)。或者说，一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其时间复杂度也是Ο(1)。

（1）对于 i 执行n次，对于 j 执行n次，与k、m无关双层循环，故T(n)=O( $N^{2}$ )

（2）对于 i 执行n次，对于 j 执行2n次，与k、m无关双层循环，故T(n)=O(n)

（3）对于 i 执行次数设为k，则 $2^{k}= n$ ，即i的执行次数为log n，故T(n)=O(log n)

（4）对于 i 执行次数设为k，则1+2*k=n，即i的执行次数为(n-1)/2，故T(n)=O((n-1)/2)=O(n)

（5）对于 i 执行常数次，故T(n)=O(1)

（6）对于 i 执行执行常数项，j也执行常数项，故T(n)=O(1)

（7）对于 y 执行次数设为k，则 $k^{3}=n$ ，即执行次数为k= $n^{\frac{1}{3}}$ ，故T(n)=O( $n^{\frac{1}{3}}$ )

（8）对于 i 执行对于 i 执行n次，对于 j 执行n次，与k、m无关双层循环，故T(n)=O( $N^{2}$ )

应用题：

例一：

算法的计算时间（时间复杂度）不变，在不同计算机的运行时间不同，运行速度越快的计算器运行时间越快。

算法的计算时间（时间复杂度）/ 计算机的运行速度 = 计算机的运行时间

设旧机器的处理速度为1，则新机器为64。

设新机器能解决规模为k

则对于旧机器： $\frac{3\times 2^{n}}{1}= t$ $\frac{3\times 2^{n}}{1}= t$

则对于新机器： $\frac{3\times 2^{k}}{64}= t$

解得k=n+6

例二：

时间复杂度为 $n^{2}$ ，则解决问题规模S时，该算法所需的时间为 $s^{2}$ 。

设计算机运行时间为t，新机器能解决规模为k

则对于旧机器： $\frac{s^{2}}{1}=t$

则对于新机器： $\frac{k^{2}}{10}=t$

k= $\sqrt{10} s$

渐近的介绍

Yoin.

关注

9
点赞
踩
14

收藏

觉得还不错? 一键收藏
打赏
1
评论
算法复杂度的介绍

复杂度也叫渐进复杂度，包括时间复杂度和空间复杂度，用来分析算法执行效率与数据规模之间的增长关系，可以粗略地表示，越高阶复杂度的算法，执行效率越低。常见的复杂度并不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O()、O()、O()、O(n!)、O(n用来表示数据规模的大小f(n)表示代码执行次数的总和O用来表示正比的关系去掉所有加法项常数只保留最高阶项若最高阶存在，则去除最高阶前面的系数若与对数项带阶数，直接将阶数作为系数T()表示算法复杂度。
复制链接

扫一扫