数据结构与算法的引入
斐波那契数列的实现
算法1:
public static int fib1(int n) { //复杂度:O(2^n)
if (n <= 1) {
return n;
}else {
return fib1(n - 2) + fib1(n - 1);
}
}
算法2:
public static int fib2(int n) { //复杂度:O(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;
}
当n=46时,我们可以明显察觉到不同算法带来的性能差异
对于算法优劣的评估
- 正确性、 可读性、 健壮性(对不合理输入的反应能力)
- 时间复杂度:估算程序指令的执行次数(执行时间)
- 空间复杂度:估算所需占用的内存空间
计算一个算法的时间复杂度(简单Demo)
public static void test(int n) { //此方法复杂度:1 + 2log2(n) + log2(n) * (1 + 3n)
//外层循环复杂度:1 + log2(n) + log2(n)
for (int i = 0; i < n; i += i) { //i += i 等价为 i = i * 2 注意理解执行次数即为 1 * 2 * 2 * ... < n 求n
//内层循环复杂度:1 + n + n + n = 1 + 3n
for (int j = 0; j < n; j++) {
System.out.println("Test");
}
}
}
大O表示法
- 一般用大O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
- 9 --> O(1)
- 2n + 3 --> O(n)
- n^2 + 2n + 3 --> O(n^2)
- 注意:大O表示法仅仅是一种粗略的分析模型,是一种估算
常见复杂度
|:----😐:----😐:----😐
|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|
|n^2 + 2n + 3|O(n^2)|平方阶|
|4log2(n) + 25|O(logn)|对数阶|
|3n + 2nlog3(n) + 15|O(nlogn)|nlogn阶|
|4n^3 + 3n^2 + 5|O(n^3)|立方阶|
|2n|O(2n)|指数阶|
- 复杂度对比:O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n ^3) < O(2^n) < O(n!) < O(n^n)
- 通过具体图像展示复杂度对比