时间复杂度
- 用于度量某个算法的运算时间,本质是一个函数,在不使用具体测试数据进行测试的情况下,粗略地估计算法的执行效率。
- 时间复杂度表示的只是代码执行时间随数据规模增长的变化趋势,故也叫作渐进时间复杂度。
- 时间复杂度常用大Ο来表述。
Ο – 小于等于(常用于计算最坏情况,作为时间复杂度上界)
- T(n) = Ο(f(n)) 它表示随着输入大小n的增大,算法执行所需时间的增长速度可以用f(n)来描述。其中,T(n)代表算法执行的时间,f(n)代表T(n)的上界,即当n > c (任意常数),总有T(n) <= f(n)。
- 插入排序的时间复杂度我们都说是 Ο(n^2), 但在数据本来有序的情况下时间复杂度是 Ο(n),也就是对于所有 输入情况来说,最坏是 Ο(n^2)的时间复杂度,故称插入排序的时间复杂度为 Ο(n^2)。
- 快排的时间复杂度是 Ο(nlogn),但当数据已有序的情况下,快排的时间复杂度是 Ο(n^2),严格从大Ο的定义来讲,快速排序的时间复杂度应该是 Ο(n^2),但我们依然说快速排序是 Ο(nlogn)的时间复杂度,这个就是业内的一个默认规定,我们这里说的Ο代表的就是一般情况,不是严格的上界。
常见复杂度量级
种类 | Ο表示 |
---|---|
常量阶 | Ο(1) |
对数阶 | Ο(logn) |
线性阶 | Ο(n) |
线性对数阶 | Ο(nlogn) |
n方阶 | Ο(nⁿ) |
指数阶 | Ο(2ⁿ) |
阶乘阶 | Ο(n!) |
求解算法的时间复杂度的具体步骤
- 找出算法中的基本语句:算法中执行次数最多的那条语句就是基本语句,通常是最内层循环的循环体。
- 计算基本语句的执行次数的数量级:只要保证基本语句执行次数的函数中的最高次幂正确即可,可以忽略所有低次幂。和最高次幂的系数,这样能够简化算法分析,并且使注意力集中在增长率上。
- 用大Ο记号表示算法的时间性能:将基本语句执行次数的数量级放入大Ο记号中。
推导时间复杂度的原则
- 若运行时间是常数量级,则用常数1表示。
- 只保留时间函数中最高阶项,如Ο(n^2 + 4n),保留最高阶项后,成为Ο(n^2)。
- 若最高阶项存在,则省去最高阶项前的系数,如Ο(4n^2),省去最高阶项的系数后,成为 Ο(n^2)。
分析时间复杂度的方法
- 只关注循环执行次数最多的一行代码。
- 加法原则:总复杂度等于量度最大的那段代码的复杂度。
- 乘法原则:嵌套代码的复杂度等于嵌套内外代码复杂度的乘积。
O(logn)
- 一个算法的时间复杂度是logn,可以是以2为底n的对数,也可以是以10为底n的对数,但我们统一说logn,也就是忽略底数的描述。
- 二分查找
因为二分查找每次排除掉一半的不适合值,所以对于n个元素的情况:
1次二分剩下:n/2
2次二分剩下:n/2/2 = n/4
…
m次二分剩下:n/(2^m)
最坏的情况下,m次二分后只剩下最后一个值,则 n/(2^m) = 1 => 2^m = n => m = log₂n
故时间复杂度为:Ο(logn)
Ο(nlogn)
- 归并排序
归并排序递归树是一棵满二叉树,满二叉树的高度大约是 log₂n,故归并排序递归实现的时间复杂度大约是Ο(nlogn)。 - 将一个复杂度为Ο(logn)的代码重复执行n次,那么此时代码的复杂度就变成了Ο(nlogn)。
void hello (int n){ for( int i = 1 ; i < n ; i++){ int m = 1; while( m < n ){ m *= 2; } } }
Ο(2^n)
- 下面的代码有两次递归调用,函数的执行时间就会和输入n成指数的关系。
// f(n) = 2^0 + 2^1 + 2^2 + ... + 2^n = 2^(n+1) int func(int n){ if(n==0) return 1; return func(n) + func(n-1); }