【算法学习】复杂度

最新推荐文章于 2024-07-24 22:13:06 发布

Aureliano9555

最新推荐文章于 2024-07-24 22:13:06 发布

阅读量135

点赞数

文章标签：算法排序算法数据结构

原文链接：https://leetcode-cn.com/leetbook/read/illustration-of-algorithm/r8ytog/

版权

时间复杂度

定义

时间复杂度指输入数据大小为 N 时，算法运行所需花费的时间。
这里统计的是计算操作数量所耗费的时间，可以理解为1次操作耗费1个时间单位。并不是真正意义上的计算耗时。算法真实的运行时间受到语言、处理器等多种因素影响。但是真实计算耗时可以理解成与时间复杂度呈线性关系。
时间复杂度真正体现的是操作数量随着输入数据N的大小变化情况（注意是输入数据N，而不是代码中的其他常数）。根据输入数据的特点，时间复杂度具有最差、平均、最佳三种情况，分别使用 O , Θ ,Ω 三种符号表示。
O(1)<O(logN)<O(N)<O(NlogN)<O(N²)<O(2 ^N)<O(N!)
在这里插入图片描述

时间复杂度类型

常数（1）与线性（N）过于简单不加赘述。
平方O(N²)：两层循环相互独立，都与 NN 呈线性关系，因此总体与 N 呈平方关系
例如：

int algorithm(int N) {
    int count = 0;
    for (int i = 0; i < N; i++) {
        for (int j = 0; j < N; j++) {
            count++;
        }
    }
    return count;
}

这段代码中有两段循环次数为N的for循环，因此时间复杂度呈现平方的关系。N²的典型算法以冒泡排序为例：

int[] bubbleSort(int[] nums) {
    int N = nums.length;
    for (int i = 0; i < N - 1; i++) {
        for (int j = 0; j < N - 1 - i; j++) {
            if (nums[j] > nums[j + 1]) {
                int tmp = nums[j];
                nums[j] = nums[j + 1];
                nums[j + 1] = tmp;
            }
        }
    }
    return nums;
}

在计算上，虽然理论上第二次循环的时间复杂度平均为O(N/2)，但是两段循环进行统计时，可以近似的看做O(N²)，在N数极大的情况下，1/2带来的影响很小。

指数O(2^N)：常见于递归算法中

int algorithm(int N) {
    if (N <= 0) return 1;
    int count_1 = algorithm(N - 1);
    int count_2 = algorithm(N - 1);
    return count_1 + count_2;
}

阶乘O(N!) 同样常见于递归算法中，例如第一层分裂出 N 个，第二层分裂出 N - 1个，…… ，直至到第 N 层时终止并回溯。很多情况下写一个递归最开始是N!，然后优化到2^N…

int algorithm(int N) {
    if (N <= 0) return 1;
    int count = 0;
    for (int i = 0; i < N; i++) {
        count += algorithm(N - 1);
    }
    return count;
}

对数 O(logN)：对数阶与指数阶相反，指数阶为 “每轮分裂出两倍的情况” ，而对数阶是 “每轮排除一半的情况” 。对数阶常出现于「二分法」、「分治」等算法中，体现着 “一分为二” 或 “一分为多” 的算法思想。

线性对数 O(NlogN) ：两层循环相互独立，第一层和第二层时间复杂度分别为O(logN) 和 O(N)，则总体时间复杂度为O(NlogN)，线性对数阶常出现于排序算法，例如「快速排序」、「归并排序」、「堆排序」等。

空间复杂度

定义

通常情况下，空间复杂度指在输入数据大小为 NN 时，算法运行所使用的「暂存空间」+「输出空间」的总体大小。即存储所有中间变量和对象等数据所需的空间大小 + 存储输出数据所需的空间大小。空间复杂度统计算法在 “最差情况” 下使用的空间大小，以体现算法运行所需预留的空间量，使用符号 O 表示。

空间复杂度类型

依据从小到大排列 O(1)<O(logN)<O(N)<O(N²)<O(2^N)
在这里插入图片描述
常数O(1)：常量、变量、对象等数据大小与输入数据大小N无关。无累计栈帧空间使用。
线性O(N)：元素数量与 N 呈线性关系的任意类型集合（常见于一维数组、链表、哈希表等），皆使用线性大小的空间
平方O(N²)：元素数量与 NN 呈平方关系的任意类型集合（常见于矩阵），皆使用平方大小的空间。
指数O(2^N)：指数阶常见于二叉树、多叉树。例如，高度为 N 的「满二叉树」的节点数量为 2^N，占用 O(2^N)大小的空间；同理，高度为 NN 的「满 m 叉树」的节点数量为 m^N，占用O(m^N)=O(2^N) 大小的空间。
对数O(logN) :对数阶常出现于分治算法的栈帧空间累计、数据类型转换等。例如快速排序等。