1.算法的概念
算法是用于解决特定问题的一系列的执行步骤。使用不同算法,解决同一个问题,效率可能相差非常大。比如:求第n个斐波那契数(fibonacci number)。
以下是两个求斐波那契数列的算法
public static int fib(int n) {
if(n <= 1) return n;
return fib(n-1) + fib(n-2);
}
虽然此个算法的代码短,但是所需时间耗费大
第二种
public static int fib2(int n) {
if(n<=1) return n;
int first = 0;
int second = 1;
for (int i = 0; i < n-1; i++) {
int sum = first + second;
first = second;
second = sum;
}
return second;
}
第二种的算法的效率很高。
2. 评价算法
如
计
算
∑
n
=
1
n
总
和
的
算
法
。
可
以
看
出
算
法
的
复
杂
度
和
代
码
的
长
度
没
有
必
然
联
系
。
如计算\sum_{\mathclap{n=1}} n总和的算法。 可以看出算法的复杂度和代码的长度没有必然联系。
如计算n=1∑n总和的算法。可以看出算法的复杂度和代码的长度没有必然联系。
如果单从执行效率上进行评估,可能会想到这么一种方案:比较不同算法对同一组输入的执行处理时间。这种方案也叫做:事后统计法。
上述方案有比较明显的缺点
- 执行时间严重依赖硬件以及运行时各种不确定的环境因素
- 必须编写相应的测算代码入
- 测试数据的选择比较难保证公正性
一般从以下维度来评估算法的优劣
- 正确性、可读性、健壮性(对不合理输入的反应能力和处理能力)
- 时间复杂度(time complexity) :估算程序指令的执行次数(执行时间)
- 空间复杂度(space complexity) : 估算所需占用的存储空间.
3. 大O表示法
大O表示法:一般用大0表示法来描述复杂度, 它表示的是数据规模n对应的复杂度
忽略常数、系数、低阶
- O(9)>>O(1)
- 2n+3 >> O(n)
- n2+ 2n+6 >> O(n2)
- 4n3 + 3n2 + 22n+ 100 >> O(n3)
注意:大0表示法仅仅是一种粗略的分析模型, 是一 种估算, 能帮助我们短时间内了解一个算法的执行效率
常见的复杂度
执行次数 | 复杂度 | 非正式术语 |
---|---|---|
12 | O(1) | 常数阶 |
2n + 3 | O(n) | 线性阶 |
4n2 + 2n + 6 | O(n2) | 平方阶 |
4log2n | O(logn) | 对数阶 |
3n + 2nlog2n + 15 | O(nlogn) | nlogn阶 |
4n3 + 3n2 + 22n + 100 | O(n3) | 立方阶 |
2n | O(2n) | 指数阶 |
注意:O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3) < 0(2n) < O(n!) < O(nn)
助函数生成工具对比复杂度的大小
数据规模较小时
数据规模较大时
3.fib函数复杂度分析
- 第一种
public static int fib(int n) {
if(n <= 1) return n;
return fib(n-1) + fib(n-2);
}
这种递归算法时间复杂度为O(2n)
- 第二种
public static int fib2(int n) {
if(n<=1) return n;
int first = 0;
int second = 1;
for (int i = 0; i < n-1; i++) {
int sum = first + second;
first = second;
second = sum;
}
return second;
}
时间复杂度为O(n)
他们的差别有多大?
如果有一台1GHz的普通计算机,运算速度109次每秒( n为64 ),O(n)大约耗时6.4* 10-8秒,O(2m)大约耗时584.94年。有时候算法之间的差距,往往比硬件方面的差距还要大
斐波那契数的线性解法-特征方程
public static int fib3(int n) {
double C = Math.sqrt(5);
return (int)( (Math. pow((1 + c) / 2, n) - Math.pow((1 - c) / 2, n)) / c);
}
时间复杂度视为O(1)
4.算法优化方向
■用尽量少的存储空间
■用尽量少的执行步骤(执行时间)
■根据情况,可以
- 空间换时间
- 时间换空间