算法复杂度分析是算法学习中非常重要的部分,掌握了它,数据结构和算法的内容基本上就掌握了一半。
一、为什么需要复杂度分析?
空间复杂度分析为我们提供了一个好的理论方向,并且它是宿主平台无关的,能够让我们对程序的运行效率有一定的认知,进而编写出性能更优的代码,有利于降低系统开发和维护成本;事后统计法(性能基准测试)局限性比较大,比如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。但这两者并不是冲突的,而是相辅相成的。在实现的应用场景中,我们应该在复杂度分析之后,进行一定的性能基准测试,进而选择适合特定应用场景下的最有效算法。
二、时间复杂度分析
渐进时间复杂度,大O表示法(O不是英文字母,而是一个数学符号),表示算法的执行时间与数据规模之间的增长关系。
1、只关注循环执行次数最多的一段代码,即单段代码看高频,比如循环。
2、总复杂度等于量级最大的那段代码的复杂度,即多段代码取最大,比如一段代码中有单循环和多重循环,那么取多重循环的复杂度。
3、嵌套代码的复杂度等于嵌套内外代码复杂度的乘积,即嵌套代码求乘积,比如递归、多重循环。
几种常见时间复杂度实例分析:
![d0f0c9b7498616a8d3905ce6ac7c64c6.png](https://img-blog.csdnimg.cn/img_convert/d0f0c9b7498616a8d3905ce6ac7c64c6.png)
图1 复杂度量级(按数量级递增)
三、空间复杂度分析
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。
package mainimport ( "fmt")func Print(n int) { a := make([]int, n) for i := 0; i < n; i++ { a[i] = i * i } for i := n-1; i >= 0; i-- { fmt.Println(a[i]) }}func main() { Print(100)}
以上代码,我在初始化数组的时候,申请了一个大小为n的int类型数组,除些之外,剩下的代码都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
![a2c6f934809ff9e2817e9c002525b9fa.png](https://img-blog.csdnimg.cn/img_convert/a2c6f934809ff9e2817e9c002525b9fa.png)
图2 常见空间复杂度