初识数据结构及复杂度

最新推荐文章于 2024-06-08 17:24:32 发布

cerf-volant

最新推荐文章于 2024-06-08 17:24:32 发布

阅读量112

点赞数

分类专栏：数据结构

本文链接：https://blog.csdn.net/qq_42142477/article/details/88924079

版权

11 篇文章 0 订阅

订阅专栏

计算机所做的很多事情都是将数据组织起来去操作，这就引出了数据结构与算法。

一个特定问题有多种解决方案，而如何比较这些解决方案的好坏，这就引出了复杂度的概念。

算法中基本操作的执行次数称为时间复杂度，主要衡量一个算法的运行速度。

时间复杂度不是绝对意义上的快慢；而是随着数据规模的变化，运行时间的变化趋势。

2.1.1 时间复杂度衡量依据
- 时间复杂度不依据程序运行时间（绝对时间）来衡量，因为
  - 事后衡量：运行出结果才能比较
  - 影响因素过多
- 时间复杂度的衡量依据算法运行的指令个数F(n)，n -> 数据规模
  - CPU主频：单位时间内运行的指令数
    - CPU主频基本固定 -> 可以将算法运行指令数和数据规模的关系 F(n)作为时间复杂度的衡量依据
- 2.1.2 大O渐进表示法
- 在计算时间复杂度的时候，我们不需要知道精确地执行次数。这就引出了大O渐进表示法。
- 大O渐进表示法
  - O(F(n))
    - 只保留最高次项
    - 最高次项系数取1
2.1.3 运行情况
- 最好情况
  - 任意输入的最小运行次数
- 平均情况
  - 任意输入的期望运行次数
- 最坏情况
  - 任意情况的最大运行次数
- 一般计算时间复杂度关注的是最坏情况
2.1.4 常见时间复杂度
- 从小到大：O(1) < O(log(n)) < O(n) < O(n*log(n)) < O(n²)

eg：求斐波那契数的时间复杂度

2+2^1+2^2+....+2^n -> O(2ⁿ）

2.1.5 举例
- O(1)
  - 获取数组下标
- O(log(n))
  - 二分查找、与二叉树高度有关的计算
- O(n)
  - 遍历查找、顺序表头插与尾插、链表的下标访问、二叉树的遍历
- O(n*log(n))
  - 堆排序、快速排序、归并排序
- O(n²)
  - 冒泡排序、插入排序、选择排序
2.1.6 利用时间复杂度估算算法耗时
- O(2^n) n=100
- 步骤
  - 1. 了解计算机的CPU主频 3G
  - 2. 计算
    - 3G=3*10^9 每秒执行指令条数
    - 2^100 / 3*10^9 ≈ 10^20s -> 需要的秒数

空间复杂度主要衡量一个算法所需的额外内存

2.2.1 大O渐进表示法
- 数据规模是n的情况下
  - 额外使用的空间大小（不考虑输入/输出中使用的空间）
  - 常见形式
    - 数组的开辟
      - eg：int[] array=new int[n²] -> O(n²)
    - 递归函数
      - eg：斐波那契数 -> 求最长边(用做梦举例，一次只能做一场梦，当一场梦做完后，所用内存就释放了，下一场梦就会继续使用内存） -> O(n)