一般在描述算法的效率时候,常会通过时间复杂度o(?)去评判一个算法的优劣,以此来判断算法的优先级、效率。这个东西也就面试的时候谈到哈希表o(1)及算法可以聊一聊,有时间可以了解一下。
下面简单介绍几个常见的时间复杂度,按照时间复杂度高低排序:
O后面的括号中有一个函数,指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。
O(n^2):代表数据量增大n倍时,耗时增大n的平方倍,这是比线性更高的时间复杂度。比如冒泡排序,就是典型的O(n^2)的算法,对n个数排序,需要扫描n×n次。 (比线性更高)
O(nlogn):代表n乘以logn,当数据增大256倍时,耗时增大256*8=2048倍。这个复杂度高于线性低于平方。归并排序(快速排序也是)就是O(nlogn)的时间复杂度。(高于线性低于平方)
O(n):代表数据量增大几倍,耗时也增大几倍。比如常见的遍历算法。 (线性)
O(logn):当数据增大n倍时,耗时增大logn倍(这里的log是以2为底的,比如,当数据增大256倍时,耗时只增大8倍,是比线性还要低的时间复杂度)。二分查找就是O(logn)的算法,每找一次排除一半的可能,256个数据中查找只要找8次就可以找到目标。 (比线性低)
O(1):就是最低的时空复杂度了,也就是耗时/耗空间与输入数据大小无关,无论输入数据增大多少倍,耗时/耗空间都不变。 哈希算法就是典型的O(1)时间复杂度,无论数据规模多大,都可以在一次计算后找到目标(不考虑冲突的话)冲突的话很麻烦的,指向的value会做二次hash到另外一快存储区域(最低)
总之,
在平均情况下,快速排序最快;
在最好情况下,插入排序和起泡排序最快;
在最坏情况下,堆排序和归并排序最快。