时空复杂度(时间复杂度/空间复杂度)O(1)、O(n)、O(n^2)、O(log n)、O(n log n)是什么意思?
能成 架构师小秘圈 今天
大O符号是算法复杂度的相对表示。它描述了时空复杂度.
大O符号是我在大学里学过的东西之一,我了解过这个算法的概念。我知道的不算多,可以回答一些基本的问题,仅此而已。从大学毕业以后,我对这个算法的了解基本没有改变,因为自从我开始工作以来,我没有使用过它,也没有听到任何同事提到过它。所,我想我应该花点时间回顾一下它,并在这篇文章中总结大O符号的基础知识,以及一些代码示例来帮助解释它。
什么是大O符号?简而言之
-
它是算法复杂度的相对表示。
-
它描述了一个算法如何执行和缩放。
-
它描述了函数增长率的上限,可以考虑最坏的情况。
现在快速看一下语法:O(n2)。
n是函数作为输入接收的元素个数。这个例子是说,对于n个输入,它的复杂度等于 n2。
共同复杂性的比较
从这个表中可以看出,随着函数复杂度的增加,完成一个函数所需的计算量或时间可能会显著增加。因此,我们希望将这种增长保持在尽可能低的水平,因为如果函数不能很好地伸缩而增加了输入,可能会出现性能问题。
显示操作数量如何随复杂性增加的图表。
一些代码示例应该有助于澄清一些关于复杂性如何影响性能的问题。下面的代码是用python编写的,但是很明显,它可以用其他语言编写。
O(1)
def is_list_first_equal_to_one(data):
"""
时间复杂度 0(1)
检查第一个元素是否为1
:param data:
:return: boole
"""
return data[0] == 1
O(1) 表示一个函数,无论输入大小如何,该函数总是取相同的值。
O(n)
def contains_num(data, num):
"""
时间负责度0(n)
检查集合是否包含某个元素
:param list data: 包含N个元素的list
:param int num:
:return:
"""
for i in data:
if i == num:
return True
return False
O(n)表示一个函数的复杂度,该函数的复杂度与输入的个数成线性正比增长。这是一个很好的例子,说明大O符号如何描述最坏的情况,因为函数在读取第一个元素后返回true,或者在读取所有n个元素后返回false。
O(n2)
def contains_duplicates(data):
"""
复杂度O(n2)
检查集合中是否有重复元素
:param list data: 包含N个元素的list
:return:
"""
for i in range(len(data)):
for j in range(len(data)):
if i != j and data[i] == data[j]:
return True
return False
O(n2) 表示一个函数,其复杂度与输入大小的平方成正比。通过输入添加更多的嵌套迭代将增加复杂性,然后可以用3次总迭代表示O(n3),用4次总迭代表示O(n4) 。
O(n2)
def fibonacci(num):
"""
O(2n)
检查斐波那契数
:param num:
:return:
"""
if num <= 1:
return num
else:
return fibonacci(num - 1) + fibonacci(num - 2)
O(2n) 表示一个函数,其性能对输入中的每个元素都加倍。这个例子是斐波那契数列的递归计算。函数属于O(2n),因为函数对每个输入数递归地调用自身两次,直到该数小于或等于1。
O(log n)
def contains_num_binary_search(data, num):
"""
O(log n)
:param list data: 包含N个元素的list
:param num:
:return:
"""
low = 0
high = len(data) - 1
while low <= high:
middle = low + (high - low)/2
if num < data[middle]:
hight = middle -1
elif num > data[middle]:
low = middle + 1
else:
return True
return False
O(log n)表示一个函数,该函数的复杂度随输入大小的增加呈对数增长。这使得O(log n)函数可以很好地伸缩,这样处理较大的输入就不太可能导致性能问题。上面的示例使用二分查找来检查输入列表是否包含某个数字。简单地说,它在每次迭代中将列表一分为二,直到找到数字或读取最后一个元素。此方法具有与O(n)示例相同的功能,尽管实现完全不同且更难于理解。但是,这样做的回报是更大的输入会带来更好的性能(如表中所示)。
这种实现的缺点是二进制搜索依赖于元素已经处于正确的顺序。如果在遍历元素之前需要对元素进行排序,那么这就增加了一些开销。
关于大O符号还有很多内容要讲,但希望你们现在对大O符号的含义有了一个基本的概念以及如何将它转换成你写的代码。如果有必要,大O符号还有后续要讲,若有不懂,欢迎下方留言关注。