【数据结构】排序算法-时间复杂度

算法的时间复杂度

时间频度T(n)怎么计算

比如：计算1-100的所有数字之和，我们设计了两种算法：
1.使用for循环计算

int total=0;
int end=100;
//使用for循环计算
for(int i=1;i<=end;i++){
	total+=i;
}

T(n)=n+1
这里的+1,是因为for循环最后还要判断一次i<=end,不符合跳出for循环

2.直接计算

total=(1+end)*end/2;

T(n)=1
一条公式,只需要计算一次

忽略常数项

忽略低次项

有幂可以忽略斜率

n²可以忽略系数

渐进时间复杂度O(n)

时间复杂度与时间频度的关系:

计算时间复杂度的方法:

常见的时间复杂度

常数阶O(1)

无论代码执行了几多行,只要是没有循环等复杂结构,那这个代码的时间复杂度就是O(1)

对数阶O(${\log }_{2}n$)

回顾对数:
如果N=a^x(a>0,$a\ne 1$),
即a的x次方等于N,那么x叫做以a为底,N的对数(logarithmic),记作$x={\log }_{a}N$

int i=1;
while(i<n){
	i=i*2;
}

假设n=16

int i	条件 while(i<n)	循环体 i=i*2	次数	规律
1	1<16	2=1*2	1	21
2	2<16	4=2*2	2	22
4	4<16	8=4*2	3	23
8	8<16	16=8*2	4	24
16	16不小于16	跳出循环	-	-

观察循环体,可以发现，每进入循环体一次,都会带着之前乘过的次数积再*2，也就是每进入循环体一次，就是2的+1次方,如次数-规律。
再看条件，可以发现，n就是2的次方积。
当n=8，循环了3次，就结束循环。
当n=16，循环了4次，就结束循环。
当n=2^x,循环了${\log }_{2}n$次，就结束循环，所以时间复杂度为${\log }_{2}n$。
当上述代码改成

int i=1;
while(i<n){
	i=i*3;
}

时间复杂度为${\log }_{3}n$。

线性阶O(n)

for(i=1;i<=n;++i){
	j=i;
	j++;	
}

这段代码中,for循环里面的代码会执行n+1遍,(++i),忽略常数项,
因此他消耗的时间随着n的变化而变化,这类代码都可以用O(n)来表示它的时间复杂度

线性对数阶O(N${\log }_{2}n$)

for(m=1;m<N;m++){
	i=1;
	while(i<n){
 		i=i*2;
	}
}

将时间复杂度为O(${\log }_{2}n$)的代码循环N遍的话,那么它的时间复杂度就是N*O(${\log }_{2}n$),也就是O(N${\log }_{2}n$)

平方阶O(n²)

for(x=1;x<=n;x++){
	for(i=1;i<=n;i++){
		j=i;
		j++;
	}
}

把O(n)的代码再嵌套循环一遍,也就是嵌套了2层n循环,它的时间复杂度就是O(n*n),也就是平方阶O(n²)

for(x=1;x<=m;x++){
	for(i=1;i<=n;i++){
		j=i;
		j++;
	}
}

把其中一层循环改成m,那么它的时间复杂度就是O(m*n)

平均时间复杂度与最坏时间复杂度

空间复杂度

• 一个算法在运行过程中临时占用存储空间大小的量度.
• 在做算法分析时,主要讨论的是时间复杂度.从用户使用体验上看,更看重的程序执行的速度.
• 一些缓存产品(redis,memcache)和算法(基数排序)本质就是用空间换时间