时间复杂度与空间复杂度
1、时间复杂度
(1)时间频度 一个算法执行所耗费的时间,从理论上是不能算出来的,必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试,只需知道哪个算法花费的时间多,哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
(2)时间复杂度 在刚才提到的时间频度中,n称为问题的规模,当n不断变化时,时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此,我们引入时间复杂度概念。 一般情况下,算法中基本操作重复执行的次数是问题规模n的某个函数,用T(n)表示,若有某个辅助函数f(n),使得当n趋近于无穷大时,T(n)/f(n)的极限值为不等于零的常数,则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n)),称O(f(n)) 为算法的渐进时间复杂度,简称时间复杂度。
(3)求解算法的时间复杂度的具体步骤是:
⑴ 找出算法中的基本语句;
算法中执行次数最多的那条语句就是基本语句,通常是最内层循环的循环体。
⑵ 计算基本语句的执行次数的数量级;
只需计算基本语句执行次数的数量级,这就意味着只要保证基本语句执行次数的函数中的最高次幂正确即可,可以忽略所有低次幂和最高次幂的系数。这样能够简化算法分析,并且使注意力集中在最重要的一点上:增长率。
⑶ 用大Ο记号表示算法的时间性能。
将基本语句执行次数的数量级放入大Ο记号中。
如果算法中包含嵌套的循环,则基本语句通常是最内层的循环体,如果算法中包含并列的循环,则将并列循环的时间复杂度相加。
(4)时间复杂度计算规则:
⑴ 只保留高阶项
⑵ 不要系数
(4)简单示例:
f(n)=2
O(f(n))=O(1)
for(int i=1;i<n;i++) //O(n)
for(int i=1;i<n;i+=2) //O(n),1,3,5,7,9,…
for(int i=1;i<n;i+=3) //O(n)
for(int i=1;i<n;i*=2) //O(logn) 1,2,4,8,16…n->2^x=n -> x= logn
for (i=2;i<=n;++i)
for(j=2;j<=i-1;++j)
{++x;a[i,j]=x;}
2*(0+1+2+3+…+n-2)=n^2-2n+1 =O(n^2)
(5)常用的算法的时间复杂度和空间复杂度
排序法 | 平均时间 | 最差情形 | 稳定度 | 额外空间 | 备注 |
---|---|---|---|---|---|
冒泡排序 | O(n^2) | O(n^2) | 稳定 | O(1) | n小时较好 |
交换排序 | O(n^2) | O(n^2) | 不稳定 | O(1) | n小时较好 |
选择排序 | O(n^2) | O(n^2) | 不稳定 | O(1) | n小时较好 |
插入排序 | O(n^2) | O(n^2) | 稳定 | O(1) | 大部分已排序时较好 |
基数排序 | O(logRB) | O(logRB) | 稳定 | O(n) | B是真数(0-9),R是基数(个十百) |
Shell排序 | O(nlogn) | O(n^s)1<s<2 | 不稳定 | O(1) | s是所选分组 |
快速排序 | O(nlogn) | O(n^2) | 不稳定 | O(nlogn) | n小时较好 |
归并排序 | O(nlogn) | O(nlogn) | 稳定 | O(1) | n小时较好 |
堆排序 | O(nlogn) | O(nlogn) | 不稳定 | O(1) | n小时较好 |