时间复杂度和空间复杂度
前言
刷剑指offer、leetcode常会看到时间复杂度和空间复杂度的要求,初识总是陌生的。本文将从一些例子讲起,让读者简单了解时间/空间复杂度的概念。
首先介绍概念
我们说的复杂度,是针对某个算法而言的,维基百科也有讲,是"算法的时间复杂度":
在计算机科学中,算法的时间复杂度(Time complexity)是一个函数,它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述,不包括这个函数的低阶项和首项系数。使用这种方式时,时间复杂度可被称为是渐近的,亦即考察输入值大小趋近无穷时的情况……
其中的关键词是定性描述,时间复杂度描述的并不是这段算法以毫秒、微秒为单位的执行时间,而是需要一个定性的描述。
正如以下三个函数:
时间复杂度相当于这三个函数随x的增长趋势,或者说增长的“复杂度”。我们不需要知道x增长到1000、10000的时候函数数值增长到了多少,也不需要比较3、2、+1这种数字足够大时无关痛痒的数字,只需要知道:y=3x2和y=x2+1都是x2趋势增加的,y=2logx是logx趋势增加的。用大O符号表示法可以写成:O(x2)和O(logx),不需要知道具体的倍数也能够知道,O(logx)的复杂度会低于O(x^2)
时间复杂度——以实例说明
接下来看几个具体时间复杂度的函数/算法:
1. 常数阶O(1)
int i = 5;
int j = 6;
i--;
j++;
int m = i + j;
for(n = 0; n < 5; n++){
m += n;
}
常数阶意味着没有影响时间复杂度的变量,不管函数多少行,执行时间(复杂度)都是一定的,。
2. 线性阶O(n)
for (i = 1; i < n; ++i) {
j = i;
j++;
}
当算法的时间复杂度由某个关键变量n有关时,算法的时间复杂度便不再是O(1),如上述程序时间复杂度由n线性决定,故为线性阶O(n)。
3. 平方阶O(n^2)
for(x=1; i<=n; x++)
{
for(i=1; i<=n; i++)
{
j = i;
j++;
}
}
比较好理解了,双层嵌套,就是平方阶的时间复杂度。
4. k次方阶O(n^k)
同理,常见的还有三次方阶。
5. 对数阶O(logn)
int i = 1;
while(i < n){
i = i * 2;
}
这里的执行次数等于log(2,n),因此时间复杂度为logn,这里需要注意的是log的底数并不重要,可以用极限的思想证明:底数再变他们也是等价的。正如O(1)和O(5),O(n)和O(3n)在极限的情况下并没有太大区别,时间复杂度的都是同一种增加趋势。
此外还有其他时间复杂度,在此不再深究,懂了概念意思理解会用就好。
空间复杂度
即所需空间,比如我们初始化一个数组:
int[] array = new int[n];
所占空间大小复杂度就与n有关且是线性相关,那么其空间复杂度就是O(n)。
知道了时间复杂度的意义,自然也就能随手举几个例子:
// O(1)
int[] array = new int[10];
//O(n^2)
vector<vector<int>> a;
for(int i = 0; i < n; i++){
for(int j =0; j < n; j++){
a.push_back(i + j);
}
}
总结
时间复杂度——常以大O符号表示,如O(1)、O(n)、O(logn)、O(m+n)等,代表代码块执行时间的复杂度(次数)与某个或某些自变量变化的趋势。
空间复杂度——也以大O符号表示,代表代码块所需要的临时空间复杂度(需要占用的大小)与某个或某些自变量变化的趋势。