为了对比算法的优劣,我们可以利用时间复杂度和空间复杂度对解决同一问题的多种算法进行评估。
一、时间复杂度
影响算法时间代价的最主要因素的是问题规模。
问题规模是算法求解问题输入量的多少,是问题大小的本质表示。
1.常量阶示例
for(i=0;i<n;i++){x++;s=0;}
循环体内两条基本语句的频度为F(x)=n。
用常数 1取代运行时间中的所有加法常数
2.平方阶示例
1.x=0,y=0;
2.for(k=1;k<=n;k++)
3. x++;//运行n次
4. for(i=1;i<=n;i++)
5. for(j=1;j<=n;j++)
6. y++;//n*n次
假设该算法结束,则:
F(x)=n+nn;
用**F(x)=nn**代表类似的算法。
3.立方阶示例
1.x=1;
2.for(i=1;i<=n;i++)
3. for(j=1;j<=i;j++)
4. for(k=1;k<=j;K++)
5. x++;
假设该算法结束,则:
F(x)=n* n * n;
用F(x)=n* n* n代表类似的算法。
时间复杂度大小排序:
O(1)<O(log2n)<O(n)<O(nlog2n)<O(n^2)<O(n^3)
<O(2^n)<O(n!)<O(n^n)
二、空间复杂度
一般情况下,一个程序在机器执行时,除了需要寄存本身所用的指令、常数、变量和输入数据外,还需要一些对数据进行操作的辅助存储空间。
1.定义
算法的空间复杂度通过计算算法所需的存储空间实现
即运行完一个程序所需内存的大小