复杂度
在竞赛中,每道题目通常会给出这样的限制,在测试程序时,平台经常会给出“运行超时”OT/TLE,或者“内存超限”MLT。除了程序本身出错,题目无法得分往往是由于我们写的程序没有满足这些限制。
算法是处理数据,得到使自己满意的结果的一组方法。一般来说,执行哈里发所需要的时间和运行中用来储存各种变量的空间,会随着数据规模(记为 n n n)增大而增大,在竞赛中,我们一般更关注时间复杂度。(不过也不是说可以随便浪费空间)
时间复杂度
考虑我们在一个长度为 n n n的(互不相同的)数组中搜索一个大小为 x x x
的值。(假设我们一定找得到)
- 最简单地,我们会从头到尾一个一个找,直到找到这个 x x x为止
arr=[1,2,4,5,7,8,9,12,67]
x=8
for n in range arr:
if n==x:
# TODO
- 平均而言,这个 x x x在数组的正中间,我们在找到 x x x之前,一共要循环 n / 2 n/2 n/2次,我们记为这个算法的平均时间复杂度为: Ω ( n 2 ) = Ω ( n ) \Omega (\frac n2)=\Omega (n) Ω(2n)=Ω(n)
- 最好的情况下,这个 x x x就在第一位,一共要循环 1 1 1次,也就是算法的最佳时间复杂度为: o ( 1 ) o(1) o(1)
- 最坏的情况下,这个 x x x在数组的最后一位,也就是算法的最坏时间复杂度为: O ( n ) O(n) O(n)
注意:
- 时间复杂度我们往往只关注 n n n非常大时的最坏情况。
- n n n非常大:此时算法有多快,只和 n n n的函数形式有关,与常数无关。例如当 n → ∞ n\to\infty n→∞时, O ( n ) O(n) O(n)与 O ( λ n ) O(\lambda n) O(λn)( λ \lambda λ为常数)算法之间的速度差异远远小于 O ( n ) O(n) O(n)与 O ( n 2 ) O(n^2) O(n2)之间的差异——至少在测试点真的想考察程序的运算速度时。
- 下面是常见复杂度对于不同规模数据的运行速度差异。(一般来说,除了图论问题,复杂度高于 O ( n 3 ) O(n^3) O(n3)的算法都不予考虑)
- 复杂度计算:
- 线性遍历数据的循环,复杂度一律是 O ( n ) O(n) O(n)
- 二分遍历数据的循环,复杂度是 O ( log n ) O(\log n) O(logn)(不管底数是多少,反正就差个常数)
- 循环嵌套,复杂度相乘,就是 O ( n ) ⋅ O ( n 2 ) = O ( n 3 ) O(n)\cdot O(n^2)=O(n^3) O(n)⋅O(n2)=O(n3)
- 特别地,希尔排序复杂度约为 O ( n 1.7 ) O(n^{1.7}) O(n1.7)
- 循环结束后再次循环,复杂度取最大的,就是 O ( n ) + O ( n 2 ) = O