极客时间推出了一个60天攻克数据结构与算法的行动,准备参加下,希望通过这种方式巩固下自己的算法能力。这次活动,对文章进行了分类,会更系统一些。博客文章也会按照其对于知识点的分类分别发出来。
03 | 复杂度分析(上):如何分析、统计算法的执行效率和资源消耗?
衡量代码的执行效率:时间、空间复杂度分析
大O复杂度表示法
T(n)=O(f(n))
T(n)表示代码执行的时间;n表示数据规模的大小;f(n)表示每行代码执行的次数总和。O表示代码的执行时间T(n)与f(n)表达式成正比。
大O时间复杂度实际上并不具体表示代码真正的执行时间,而是标识代码执行时间随数据规模增长的变化趋势,所以,也叫作渐进时间复杂度(asymptotic time complexity),简称时间复杂度。
只关注循环执行次数最多的一段代码
加法法则:总复杂度等于量级最大的那段代码的复杂度
乘法法则:嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
几种常见时间复杂度实例分析
多项式量级:常量阶O(1)、对数阶O(logn)、线性阶O(n)、线性对数阶O(nlogn)、平方阶O(n^2)...k次方阶O(n^k)
非多项式量级:指数阶O(2^n)、阶乘阶O(n!)
O(m+n)、O(m*n)
渐进空间复杂度表示算法的存储空间与数据规模之间的增长关系。
O(1)、O(n)、O(n^2)
04 | 复杂度分析(下):浅析最好、最坏、平均、均摊时间复杂度
最好、最坏情况时间复杂度
平均情况时间复杂度,加权平均时间复杂度或者期望时间复杂度
均摊时间复杂度。对一个数据结构进行一组连续操作中,大部分情况下时间复杂度都很低,只有个别情况下时间复杂度比较高,而且这些操作之间存在前后连贯的时序关系。这个时候,我们就可以将这一组操作放在一块分析,看是否能将较高时间复杂度那次操作的耗时,平摊到其他那些时间复杂度比较低的操作上。而且,在能够应用均摊时间复杂度分析的场合,一般均摊时间复杂度就等于最好情况时间复杂度。
我觉得文章中还应该提一下主定理,这样复杂度的计算基本上就完整了。