复杂度分析总结
1.大O复杂度表示法
所有代码的执行时间T(n)与每行代码的执行次数n成正比
T(n)=O(f(n));
n表示数据规模的大小;
f(n)表示每行代码执行的总次数总和;
O表示T(n)和f(n)表达式成正比;
其实复杂度就是想计算你的代码执行的时间;但是这个不好量化,于是等价为了每行代码执行时间相同,然后直接看每行代码执行的次数;复杂度的目的就是为了比两个实现相同效果,其代码执行次数的多少
2.时间复杂度
大O时间复杂度实际上并不具体表示代码正在的执行时间;二是表示代码执行时间随数据规模增长的趋势,也就渐进时间复杂度;简称时间复杂度;
1)单段代码看高频:比如循环。
2)多段代码取最大:比如一段代码中有单循环和多重循环,那么取多重循环的复杂度。
3)嵌套代码求乘积:比如递归、多重循环等
4)多个规模求加法:比如方法有两个参数控制两个循环的次数,那么这时就取二者复杂度相加
1)只关注循环执行次数最多的一段代码
大 O 这种复杂度表示方法只是表示一种变化趋势。我们通常会忽略掉公式中的常量、低阶、系数,只需要记录一个最大阶的量级就可以了。所以,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。这段核心代码执行次数的 n 的量级,就是整段要分析代码的时间复杂度。
举个例子:
int cal(int n) {
int sum = 0;
int i = 1;
for (; i <= n; ++i) {
sum = sum + i;
}
return sum;
}
其中第 2、3 行代码都是常量级的执行时间,与 n 的大小无关,所以对于复杂度并没有影响。循环执行次数最多的是第 4、5 行代码,所以这块代码要重点分析
2)加法法则:总复杂度等于量级最大的那段代码的复杂度
int cal(int n) {
int sum_1 = 0;
int p = 1;
for (; p < 100; ++p) {
sum_1 = sum_1 + p;
}
int sum_2 = 0;
int q = 1;
for (; q < n; ++q) {
sum_2 = sum_2 + q;
}
int sum_3 = 0;
int i = 1;
int j = 1;
for (; i <= n; ++i) {
j = 1;
for (; j <= n; ++j) {
sum_3 = sum_3 + i * j;
}
}
return sum_1 + sum_2 + sum_3;
}
这个代码分为三部分,分别是求 sum_1、sum_2、sum_3。我们可以分别分析每一部分的时间复杂度,然后把它们放到一块儿,再取一个量级最大的作为整段代码的复杂度。
计算sum_1的那个代码:这段代码循环执行了 100 次,所以是一个常量的执行时间,跟 n 的规模无关。
注意:
即便这段代码循环 10000 次、100000 次,只要是一个已知的数,跟 n 无关,照样也是常量级的执行时间。当 n 无限大的时候,就可以忽略。尽管对代码的执行时间会有很大影响,但是回到时间复杂度的概念来说,它表示的是一个算法执行效率与数据规模增长的变化趋势,所以不管常量的执行时间多大,我们都可以忽略掉。因为它本身对增长趋势并没有影响。
计算sum_2:O(n)
计算sum_3: O(n^2)
所以整体代码复杂度是O(n^2);也就是说:总的时间复杂度就等于量级最大的那段代码的时间复杂度。
那我们将这个规律抽象成公式就是:
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
如果 T1(n)=O(f(n)),T2(n)=O(g(n));
那么 T(n)=T1(n)*T2(n)=O(f(n))*O(g(n))=O(f(n)*g(n)).
3. 空间复杂度
渐进空间复杂度;表示算法的存储空间与数据规模直接的增长关系;
4.总结
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;
越高级的复杂度的算法,执行效率越低;
常见的复杂度:O(1)O、(logn)、O(nlogn)、O(n^2);所有的数据结构和算法的复杂度都跑不出这几个