算法效率
算法效率分为两种,一种是时间效率,一种是空间效率。时间效率被叫做时间复杂度,
空间效率被称为空间复杂度。
时间复杂度主要衡量一个算法的运行速度,空间复杂度主要衡量一个算法运行时所需要开辟的空间。
时间复杂度
1.时间复杂度的概念
计算机科学中,算法的时间复杂度是一个函数,它定性描述了该算法的运行时间。这是一个关于代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述,不包括这个函数的低阶项和首项系数。使用这种方式时,时间复杂度可被称为是渐近的,它考察当输入值大小趋近无穷时的情况。
2.O的渐进表示法
案例:
void Func(int N)
{
int count = 0;
for (int i = 0; i < N ; ++ i)
{
for (int j = 0; j < N ; ++ j)
{
++count;
}
}
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
此代码中Func执行的基本操作的次数为
F(N) = N² + 2 * N + 10
当 N = 10 时, F(N) = 130
当 N = 100 时, F(N) = 10210
当 N = 1000 时, F(N) = 1002010
实际上,计算时间复杂度时,并不需要精确的数值,只需要大概的次数,用O表示的渐进表示法
用 O( F( N ) ) 表示一个算法的时间复杂度
推导 O 的方法
(1). 用常数1取代运行时间中所有的加法常数
比如 O(100) 或者 O(10 + 20) 均可用 O(1) 来表示
(2). 在修改后的运行次数函数中,只保留最高阶项
比如 O(N² + N) 用 O(N²) 来表示
(3). 如果最高阶项存在且不是1,则去除与这个项目相乘的常数
比如 O(2N²) 用 O(N²) 来表示
有以上的方法,可以计算出案例中Func的时间复杂度为
O(N²)
另外有些算法的时间复杂度存在最好、平均和最坏情况:
最坏情况:任意输入规模的最大运行次数(上界)
平均情况:任意输入规模的期望运行次数
最好情况:任意输入规模的最小运行次数(下界)
例如:在一个长度为N数组中搜索一个数据x
最好情况:1次找到
最坏情况:N次找到
平均情况:N/2次找到
在实际情况中,关注的往往是一个算法的 最坏运行情况
空间复杂度
空间复杂度是对一个算法在运行过程中临时占用存储空间大小的量度 。空间复杂度不是程序占用了多少bytes的空间,因为这个也没太大意义,所以空间复杂度算的是变量的个数。空复杂度计算规则基本跟实践复杂度类似,也使用大O渐进表示法。
比如直接插入排序的时间复杂度是O(n^2),空间复杂度是O(1) 。而一般的递归算法就要有O(n)的空间复杂度了,因为每次递归都要存储返回信息。一个算法的优劣主要从算法的执行时间和所需要占用的存储空间两个方面衡量。
案例:
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i-1] > a[i])
{
Swap(&a[i-1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
在案例中 BubbleSort 使用的是常数个开辟的额外空间。用和时间复杂度计算方式相同的O渐进表示法,则可以计算出该算法的空间复杂度为
O(1)
案例
long long* Fibonacci(size_t n)
{
if(n==0)
return NULL;
long long * fibArray = new long long[ n+1];
fibArray[0] = 0;
fibArray[1] = 1;for (int i = 2; i <= n ; ++i)
{
fibArray[i ] = fibArray[ i - 1] + fibArray [i - 2];
}
return fibArray ;
}
在案例中 Fibonacci函数动态开辟了N个空间。用和时间复杂度计算方式相同的O渐进表示法,则可以计算出该算法的空间复杂度为