2.5 函数的渐近增长
给定两个函数 f(n) 和 g(n),如果存在一个整数 N,使得对于所有的 n > N,f(n) 总大于 g(n),那么我们说 f(n) 的增长渐近快于 g(n)。
例如,算法 A 要 2n+3 次操作,而算法 B 要 3n+1 次。随着 n 的增大,比较运行次数时,我们可以忽略加法常数。
再例如,算法 C 是 4n+8,而算法 D 要 2
n2
n
2
+1。随 n 的增大,我们可以发现运行次数与最高项相乘的常数并不重要。
然后,例如,算法 E 是 2
n2
n
2
+3n+1 算法 F 是 2
n3
n
3
+3n+1。随 n 的增大,最高次项的指数大的,结果增长特别快。
最后一个例子,算法 G 是 2
n2
n
2
, 算法 H 是 3n+1,算法 I 是 2
n2
n
2
+3n+1。随着 n 的增大,H 算法会越来越少于 G 和 I 的次数,G 也会越来越趋近于 I 。于是得出结论判断一个算法的效率时,函数中的常数和其他次要项常常可以忽略,而更应该关注主项(最高阶项)的阶数。
2.6 算法时间复杂度
定义:
在进行算法分析时,语句总的执行次数 T(n) 是关于问题规模 n 的函数,进而分析 T(n) 随 n 的变化情况并确定 T(n) 的数量级。算法的时间复杂度,也就是算法的时间量度,记作:T(n)=O(f(n))。它表示随问题规模 n 的增大,算法执行时间的增长率和 f(n) 的增长率相同,称作算法的渐近时间复杂度,简称为时间复杂度。其中 f(n) 是问题规模 n 的某个函数。
这样用大写 O( ) 来体现算法时间复杂度的记法,我们称之为大 O 记法。
一般情况下,随着 n 的增大,T(n) 增长最慢的算法为最优算法。
推导大 O 阶:
1. 用常数 1 取代运行时间中的所有加法常数。
2. 再修改后的运行次数函数中,只保留最高阶项。
3. 如果最高阶项存在且不是1,则除去与这个项相乘的常数。
得到的结果就是大 O 阶。
常数阶:循环的时间复杂度为O(1)。
注意:不管这个时间复杂度为多少,只要是常数,我们都记作 O(1),而不能是 O(3)、O(12) 等其他任意数字。
线性阶:循环的时间复杂度为 O(n)。
对数阶:循环的时间复杂度为 O(
log2n
l
o
g
2
n
)。
平方阶:循环的时间复杂度为 O(
n2
n
2
)。
理解大 O推导不算难,难的是对数列的一些相关运算,这更多的是考察数学知识和能力。
看例子,对于帆帆发调用的时间复杂度如何分析。、
int i,j;
for (i = 0; i < n ; i++)
{
function(i);
}
void function(int count)
{
int j;
for(j = count; j < n; j++)
{
/* 时间复杂度为O(1)的程序步骤序列 */
}
}
这个例子最终的时间复杂度为 O(
n2
n
2
)。
再看下面这段相对复杂的语句:
n++; /* 执行次数为 1 */
function(n); /* 执行次数为 n */
int i,j;
for(i = 0; i < n; i++) /* 执行次数为 n^2 */
{
function(i);
}
for(i = 0; i < n; i++) /* 执行次数为 n(n+1)/2 */
{
for(j = i; j< n; j++)
{
/* 时间复杂度为O(1)的程序步骤序列 */
}
}
它的执行次数为 f(n)=1+n+n2+n(n+1)2=32n2+32n+1 f ( n ) = 1 + n + n 2 + n ( n + 1 ) 2 = 3 2 n 2 + 3 2 n + 1 ,根据推导大 O 阶的方法,最终这段代码的时间复杂度也是 O( n2 n 2 )。
常见的时间复杂度
按消耗的时间从小到大依次为:
O(1) < O(log n n ) < O() < O( n n log) < O( n2 n 2 ) < O( n3 n 3 ) < O( 2n 2 n ) < O( n! n ! ) < O( nn n n )
2.7 最坏情况与平均情况
最坏情况运行时间是一种保证,那就是运行时间将不会再坏了。在应用中,这是一种最重要的需求,通常,除非特别指定,我们提到的运行时间都是最坏情况的运行时间。
平均运行时间是所有情况中最有意义的,因为他是期望的运行时间。
一般在没有特殊说明的情况下,都是指最坏时间复杂度。
2.8 算法空间复杂度
算法的空间复杂度通过计算算法所需的存储空间实现,算法空间复杂度的计算公式为:S(n) = O(f(n)),其中,n 为问题规模,f(n) 为语句关于 n 所占存储空间的函数。