文章目录
算法的时间复杂度和空间复杂度
算法效率
如何衡量一个算法的好坏
如何衡量一个算法的好坏呢?比如对于如下斐波那契数列:
long long Fib(int n)
{
if (n < 3)
return 1;
return Fib(n-1) + Fib(n-2);
}
斐波那契数列的递归实现方式非常简洁,但简洁一定好吗?那该如何衡量其好与坏呢?
算法的复杂度
算法在编写成可执行程序后,运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏,一般是从时间和空间两个维度来衡量的,即时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法的运行快慢,而空间复杂度主要衡量一个算法运行所需要的额外空间。在计算机发展的早期,计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展,计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
时间复杂度
时间复杂度的概念
时间复杂度的定义:在计算机科学中,算法的时间复杂度是一个函数,它定量描述了该算法的运行时间。一个算法执行所耗费的时间,从理论上说,是不能算出来的,只有你把你的程序放在机器上跑起来,才能知道。但是我们需要每个算法都上机测试吗?是可以都上机测试,但是这很麻烦,所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例,算法中的基本操作的执行次数,为算法的时间复杂度。
即:找到某条基本语句与问题规模N之间的数学表达式,就是算出了该算法的时间复杂度。
void Func1(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);
}
Func1执行的基本操作次数:F(N) = N^2 + 2 * N + 10
N = 10 F(N) = 130
N = 100 F(N) = 10210
N = 1000 F(N) = 1002010
N越大后两项对结果的影响就越小。
时间复杂度:O(N^2)
实际中我们计算时间复杂度时,我们其实并不一定要计算精确的执行次数,而只需要大概执行次数,那么这里我们使用大O的渐进表示法。
大O的渐进表示法
大O符号:用于描述函数渐进行为的数学符号。
推导大O的渐进表示法
- 用常数1取代运行时间中的所有加法常数。
- 在修改后的运行次数函数中,只保留最高阶项。
- 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。得到的结果就是大O阶。
使用大O的渐进表示法后,Func1的时间复杂度为:O(N^2)
通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项,简洁明了的表示出了执行次数
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
- 在实际中一般情况关注的是算法的最坏运行情况,所以数组中搜索数据时间复杂度为O(N)。
常见时间复杂度计算举例
void Func2(int N)
{
int count = 0;
for (int k=0; k<2 * N; ++ k)
{
count++;
}
int M = 10;
while (M--)
{
count++:
}
printf("%d\n", count);
}
基本操作的执行次数为2 * N + 10次,时间复杂度为O(N).
void Func3(int N, int M)
{
int count = 0;
for (int k = 0; k < M; ++ k)
{
count++;
}
for (int k = 0; k < N ; ++ k)
{
count++;
}
printf("%d\n", count);
}
基本操作的执行次数为M + N,时间复杂度为O(M + N)。
M远大于N -> O(M)
N远大于M -> O(N)
M和N差不多大 -> O(M) O(N)
一般情况下时间复杂度计算时未知数都是用的N,但是也可以用M,K等等其他的。
void Func4(int N)
{
int count = 0;
for (int k=0; k<100; ++k)
{
count++;
}
printf("%d\n", count);
}
基本操作的执行次数为100,时间复杂度为O(1),不是基本操作的执行次数为1, 而是常数次。
const char* strchr ( const char * str, int character )
{
while (*str != '\0')
{
if (*str == character)
return str;
str++;
}
return NULL;
}
如果查找的字符串为hello world
假设查找的是h 1
假设查找的是w N/2
假设查找的是d N
时间复杂度做悲观预期,看最坏的情况
时间复杂度为:O(N)
void BubbleSort(int* p, int sz)
{
int i = 0;
for (i=0; i<sz-1; i++)
{
int exchange = 0;
int j = 0;
for (j=sz-1; j>i; j--)
{
if (p[j-1] > p[j])
{
int tmp = p[j-1];
p[j-1] = p[j];
p[j] = tmp;
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
基本操作执行次数最好为N次,最坏执行次数为N*(N-1)/2,时间复杂度为O(N^2)。
int BinarySearch(char* p, int sz, int k)
{
assert(p);
int left = 0;
int right = sz - 1;
while (left <= right)
{
int mid = (left + right) / 2;
if (p[mid] > k)
right = mid - 1;
else if (p[mid] < k)
left = mid + 1;
else
return mid;
}
return -1;
}
基本操作执行次数最好为1次,最坏执行次数为logN次,时间复杂度为O(logN)。(logN表示底数为2,对数为N)
long long Fac(size_t N)
{
if (N == 0)
return 1;
return Fac(N - 1) * N;
}
递归算法:递归次数 * 每次递归调用的次数
基本操作递归了N次,时间复杂度为O(N)
long long Fib(size_t N)
{
if (N < 3)
return 1;
return Fib(N - 1) + Fib(N - 2);
}
基本操作递归了2^N次,时间复杂度为O(2 ^ N)
空间复杂度
空间复杂度概念
空间复杂度也是一个数学表达式,是对一个算法在运行过程中临时占用内存空间大小的量度 。
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。空间复杂度计算规则基本跟时间复杂度类似,也使用大O渐进表示法。
注意:函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了,因此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。
空间复杂度计算举例
void BubbleSort(int* p, int sz)
{
int i = 0;
for (i=0; i<sz-1; i++)
{
int exchange = 0;
int j = 0;
for (j=sz-1; j>i; j--)
{
if (p[j-1] > p[j])
{
int tmp = p[j-1];
p[j-1] = p[j];
p[j] = tmp;
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
使用了常数个额外空间,所以空间复杂度为O(1)。
long long* Fibonacci(size_t n)
{
if(n==0)
return NULL;
long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray;
}
动态开辟了N个空间,空间复杂度为O(N)
long long Fac(size_t N)
{
if(N == 0)
return 1;
return Fac(N-1)*N;
}
递归调用了N次,开辟了N个函数栈帧,每个函数栈帧使用了常数个空间。空间复杂度为O(N)
long long Fib(size_t N)
{
if (N < 3)
return 1;
return Fib(N - 1) + Fib(N - 2);
}
递归调用了N次,开辟了N个函数栈帧,每个函数栈帧使用了常数个空间。空间复杂度为O(N)
空间可以重复利用,而时间一去不复返,函数调用结束后,开辟的内存空间回收释放,所以空间可以重复使用
常见复杂度对比