复杂度分析总结

最新推荐文章于 2024-01-21 22:53:44 发布

longerVR

最新推荐文章于 2024-01-21 22:53:44 发布

阅读量231

点赞数

分类专栏：数据结构与算法之美+算法训练营

本文链接：https://blog.csdn.net/qq_41286360/article/details/103246450

版权

数据结构与算法之美+算法训练营专栏收录该内容

37 篇文章 2 订阅

订阅专栏

复杂度分析总结

1.大O复杂度表示法
2.时间复杂度
3. 空间复杂度
4.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))).