一、相关概念理解
算法:是指用来操作数据,解决程序问题的一组方法。对于一个问题,使用的算法不同,可能得到相同的结果,但是在执行过程中消耗的资源和时间就会有很大区别。
1、怎样衡量一个算法的好坏?
主要是从算法所占的时间和空间去考虑。
时间维度:是指算法执行所消耗的时间,用时间复杂度描述
空间维度:是指当前算法所需要占用的内存空间,用空间复杂度描述
二、时间复杂度
我们想要知道一个算法的「时间复杂度」,很多人首先想到的的方法就是把这个算法程序运行一遍,那么它所消耗的时间就自然而然知道了。
这种方式可以吗?当然可以,不过它也有很多弊端。
这种方式非常容易受运行环境的影响,在性能高的机器上跑出来的结果与在性能低的机器上跑的结果相差会很大。而且对测试时使用的数据规模也有很大关系。再者,并我们在写算法的时候,还没有办法完整的去运行呢。
时间复杂度:
首先要说的是,时间复杂度的计算并不是计算程序具体运行的时间,而是算法执行语句的次数。
常见的时间复杂度量级有:
常数阶O(1)
对数阶O(logN)
线性阶O(n)
线性对数阶O(nlogN)
平方阶O(n²)
立方阶O(n³)
K次方阶O(n^k)
指数阶(2^n)
推导大O阶
推导大O阶有一下三种规则:
1、用常数1取代运行时间中的所有加法常数
2、只保留最高阶项
3、去除最高阶的常数
上面从上至下依次的时间复杂度越来越大,执行的效率越来越低。
参考一:时间复杂度详解
参考二:知乎时间复杂度
1、常数阶O(1)
无论代码执行了多少行,只要是没有循环等复杂结构,那这个代码的时间复杂度就都是O(1),如:
2、线性阶O(n)
3、对数阶O(logN)
从上面代码可以看到,在while循环里面,每次都将 i 乘以 2,乘完之后,i 距离 n 就越来越近了。我们试着求解一下,假设循环x次之后,i 就大于 2 了,此时这个循环就退出了,也就是说 2 的 x 次方等于 n,那么 x = log2^n
也就是说当循环 log2^n 次以后,这个代码就结束了。因此这个代码的时间复杂度为:O(logn)
4、线性对数阶O(nlogN)
5、平方阶O(n²)
立方阶O(n³)、K次方阶O(n^k)
参考上面的O(n²) 去理解就好了,O(n³)相当于三层n循环,其它的类似。
除此之外,其实还有 平均时间复杂度、均摊时间复杂度、最坏时间复杂度、最好时间复杂度 的分析方法,有点复杂,这里就不展开了。
三、空间复杂度
既然时间复杂度不是用来计算程序具体耗时的,那么我也应该明白,空间复杂度也不是用来计算程序实际占用的空间的。
一个算法在计算机存储器上所占用的存储空间,包括
1、存储算法本身所占用的存储空间
2、算法的输入输出数据所占用的存储空间
3、算法在运行过程中临时占用的存储空间