本人非计算机专业,通过在某站自学数据结构,进一步夯实自己
今天说说【课程01:估计算法运行效率与时间复杂度】
时间复杂度:用来评估算法运行效率的一个式子
先说几个例子:
print('Hello World') 时间复杂度: O(1)
for i in range(n): 时间复杂度: O(n)
print('Hello World')
for i in range(n): 时间复杂度: O(n^2)
for j in range(n):
print('Hello World')
for i in range(n): 时间复杂度: O(n^3)
for j in range(n):
for k in range(n):
print('Hello World')
注意:
括号内表示的是单位数量,或者说是大致时间,而不是精确时间。就像你问一个人睡了到长时间,他一般会告诉你睡了几个小时,而不会告诉你睡了几个小时零几分。
例1 :
print('Hello World')
print('Hello Python')
print('Hello Algorithm')
三个式子整体时间复杂度是O(1)而不是具体的O(3)
例2:
for i in range(n):
print('Hello World')
for j in range(n):
print('Hello World')
复杂度是O(n^2) 而不是O(n^2 + n)
例3:
while n>1:
print(n)
n = n // 2
2^6 = 64 ==> log2(64) = 6
时间复杂度为O(log2(n))或O(log(n))
当问题规模循环减半即,每次循环,问题规模都缩小一半,复杂度式子中会出现log(n)
总结:
1. 时间复杂度是用来估计算法运行时间的一个式子(单位)
2. 一般来说,时间复杂度高的算法比复杂度低的算法慢
3. 常见的时间复杂度(按效率排序)
O(1) < O(log(n)) <O(n) < O(nlog(n)) < O(n^2) < O(n^2log(n)) < O(n^3)
4. 复杂问题的时间复杂度
O(n!) O(2^n) O(n^n)
简单判断算法复杂度
-
快速判断算法复杂度(适用于绝大多数简单情况):
- 确定问题规模n
- 判断是否有循环减半的过程,若有,则时间复杂度中有log(n)
- 一般来说,有k层关于n的循环,式子里就是n^k
-
复杂情况: 根据算法具体执行过程判断
空间复杂度: 用来评估算法内存占用大小的式子
空间复杂度的表示方式与时间复杂度完全一样:
- 算法使用了几个变量: O(1)
- 算法使用了长度为n的一维列表: O(n)
- 算法使用了m行n列的二维列表: O(mn)
因为时间比空间重要,所以经常采用"空间换时间"