时间空间复杂度
该篇为数据结构内容的一第节,来介绍如何判断算法效率,即计算时间复杂度与空间复杂度。
🐸一、时间复杂度
- 算法的时间复杂度是一个函数,所表达的其实并不是具体时间,而是基本操作的执行次数。
- 示例:计算++count执行的次数。
void doplus(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; ++k)
{
++count;
}
}
可以计算出++count
的执行次数为:F(N) = N2+2,对于该程序,它的基本操作不止执行++count
的次数,估计一下总次数可能是X*F(N),X表示类似++count
的语句个数。
该算法的时间复杂度是O(N2),原因如下:
-
在实际使用中,往往不会使用具体基本操作的执行次数的函数,因为这样其实不方便进行比较,例如:F1(x) = x2+2x 与 F2(x) = x3-4进行比较大小的结果是一个分段的。
斤斤计较显然不太适用于计算机上,因为当x=1或当x=100时其实F1(x)与F2(x) 在电脑上执行时间都不会相差太大,因此对于表示算法优劣的时间复杂度其实是用 大O的渐进表示法 🌟
*如果基本操作的执行次数的函数是常数表达式,用O(1)表示其时间复杂度。
*只保留函数的最高阶项,且除去该项的系数 。
-
练习:计算冒泡排序的时间复杂度
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i-1] > a[i])
{
int temp = a[i-1];
a[i-1] = a[i];
a[i] = temp;
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
答案是O(n2)。那么这是为什么呢?可能有的朋友说:因为有两个嵌套循环……
其实计算时间复杂度并不能单看有多少循环,最主要的还是要了解算法思想。
该冒泡排序:第1次遍历数组的n-1个元素,第2次遍历n-2个元素……第n-1次遍历1个元素。如果有一次遍历没有交互数组元素,就直接结束。
可以看出最坏的结果是一个递减数列,则F(n) = (n-1 + 1) * (n-1) / 2 = (n2-n)/2;而最好的结果就是数组本来就排序好的,则F(n) = n。时间复杂看最坏的情况,为O(N2)
🐯二、空间复杂度
-
许多年前,空间复杂度在内存很少的时候也是衡量一个算法优劣的重要指标,当然在现在它也有它的作用,毕竟万一两个算法的时间复杂度要是一样呢。
当程序运行的时候,所需的栈空间在编译时就已经确定了,因此空间复杂度主要表示显示的额外空间,即 额外临时占用存储空间大小的量度 。
空间复杂度也不是表示程序到底占用了多少byte的空间,而是表示变量的个数。用 大O渐进表示法 。
-
示例: 计算冒泡排序的空间复杂度
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i-1] > a[i])
{
int temp = a[i-1];
a[i-1] = a[i];
a[i] = temp;
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
答案是O(1),有的朋友可能会问了,不是有两个循环吗,而且在循环里面都有定义的变量呀,怎么会是常数呢? 其实原因也很简单,不要忘记变量的作用域哦,简单的理解,其实size_t i
、int temp
等语句确实会执行不止一次,但是它们所使用是空间可能都是同一个。因此该冒泡排序的空间复杂度就是O(1)了。
- 示例:计算递归n的阶乘的空间复杂度
long long Fac(size_t N)
{
if(N == 0)
return 1;
return Fac(N-1)*N;
}
答案是O(N),学习过递归可以知道,该程序会开辟N个这样的空间,只有当最后一个即N=0时,才开始返回结果,然后依次返回,空间才会依次的销毁。因此空间复杂度为O(N)。
待续~