复杂度分析(上):时间、空间复杂度分析
《数据结构与算法之美》学习笔记
一、什么是复杂度分析
- 复杂度分析是代码运行得更快,更省存储空间的考量指标。
- 复杂度分析分别从时间和空间两个维度来描述性能问题。
二、为什么需要复杂度分析
- 性能测试(事后统计法)的局限性。
- 测试结果非常依赖测试环境
- 测试结果受数据规模的影响很大
- 复杂度分析可以不用具体的测试数据来测试,就可以粗略地估计算法的执行效率。
三、大O复杂度表示法
算法的执行效率,粗略地讲,就是算法代码的执行时间。
现在评估一下这段代码的执行时间。
int cal(int n) {
int sum = 0;
int i = 1;
for (; i <= n; ++i) {
sum = sum + i;
}
return sum;
}
假设CPU执行每行代码的时间都一样,为unit_time。第2、3行代码分别需要1个unit_time执行时间,第4、5行都运行了n遍,所以需要2n*unit_time的执行时间,所以这段代码总的执行时间就是(2n+2) * unit_time。可以看出所有代码的执行时间T(n)与每行代码的执行次数f(n)成正比。
可以把这个规律总结成一个公式:
T(n) = O(f(n))
T(n) 表示代码的执行时间;n 表示数据规模的大小;f(n) 表示每行代码执行次数的总和;O表示执行时间T(n)与f(n)成正比。
大O时间复杂度表示代码执行时间随数据规模增长的变化趋势,也叫作渐进时间复杂度(asymptotic time complexity),简称时间复杂度。
当n很大时,公式中的低阶、常量、系数三部分并不左右增长趋势,都可以忽略。我们只需要记录一个最大量级,如果用大O表示法,上面代码的时间复杂度可以记为T(n)=O(n)。
四、时间复杂度分析
时间复杂度分析比较实用的三种方法
-
只关注循环执行次数最多的一段代码
上面实例代码,执行次数最多的是第4、5行,这两行被执行了n次,所以总的时间复杂度就是O(n)。
-
加法法则:总复杂度等于量级最大的那段代码的复杂度
看如下代码
int cal(int n) { int sum_1 = 0; int p = 1; for (; p < 100; ++p) { sum_1 = sum_1 + p; } int sum_2 = 0; int q = 1; for (; q < n; ++q) { sum_2 = sum_2 + q; } int sum_3 = 0; int i = 1; int j = 1; for (; i <= n; ++i) { j = 1; for (; j <= n; ++j) { sum_3 = sum_3 + i * j; } } return sum_1 + sum_2 + sum_3; }
sum_1执行100次,sum_2执行n次,sum_3执行 n2,所以整段代码的时间复杂度就是O(n2)。
-
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
看如下代码
int cal(int n) { int ret = 0; int i = 1; for (; i < n; ++i) { ret = ret + f(i); } } int f(int n) { int sum = 0; int i = 1; for (; i < n; ++i) { sum = sum + i; } return sum; }
第4~6行的时间复杂度T1(n)=O(n),f(n)的时间复杂度T2(n)=O(n),所以,整个call()函数的时间复杂度T(n)=T1(n) * T2(n)=O(n*n)=O(n^2)。
五、几种常见的时间复杂度实例分析
复杂度量级
-
O(1)
代码的执行时间不随n的增大而增长。
int i = 8; int j = 6; int sum = i + j;
-
O(logn)、O(nlogn)
看如下代码
i=1; while (i <= n) { i = i * 2; }
第三行是循环次数最多的,每循环一次就乘以2。通过2^x=n,x就是这行代码的执行次数,x=log2n,这段代码的时间复杂度就是O(log2n)。在对数阶时间复杂度的表示方法里,可以忽略对数的底数,统一表示为O(logn)。
如果一段代码的时间复杂度是O(logn),循环执行n遍,根据刚才的乘法法则,时间复杂度就是O(nlogn)。常见的算法,比如,归并排序、快速排序的时间复杂度都是O(nlogn)。
-
O(m+n)、O(m*n)
先看代码
int cal(int m, int n) { int sum_1 = 0; int i = 1; for (; i < m; ++i) { sum_1 = sum_1 + i; } int sum_2 = 0; int j = 1; for (; j < n; ++j) { sum_2 = sum_2 + j; } return sum_1 + sum_2; }
因为无法事先评估m和n谁的量级大,所以在表示复杂度的时候,不能简单的利用加法法则,省略掉其中一个。所以上面代码的时间复杂度就是O(m+n)。
六、空间复杂度
类似于时间复杂度,表示算法的执行时间与数据规模之间的增长关系。空间复杂度全称就是渐进空间复杂度(asymptotic space complexity),表示算法的存储空间与数据规模之间的增长关系。
看以下代码
void print(int n) {
int i = 0;
int[] a = new int[n];
for (i; i <n; ++i) {
a[i] = i * i;
}
for (i = n-1; i >= 0; --i) {
print out a[i]
}
}
第三行申请了一个大小为n的数组,除此之外没有占用更多的空间,所以整段代码的空间复杂度就是O(n)。
常见的空间复杂度就是O(1)、O(n)、O(n^2),像O(logn)、O(nlogn)这样的对数阶复杂度平时都用不到。