一、什么是复杂度分析?
1.数据结构和算法解决是“如何让计算机更快时间、更省空间的解决问题”。
2.因此需从执行时间和占用空间两个维度来评估数据结构和算法的性能。
3.分别用时间复杂度和空间复杂度两个概念来描述性能问题,二者统称为复杂度。
4.复杂度描述的是算法执行时间(或占用空间)与数据规模的增长关系。
二、为什么要进行复杂度分析?
1.和性能测试相比,复杂度分析有不依赖执行环境、成本低、效率高、易操作、指导性强的特点。
2.掌握复杂度分析,将能编写出性能更优的代码,有利于降低系统开发和维护成本。
三、如何进行复杂度分析?
1.大O表示法
1)来源
算法的执行时间与每行代码的执行次数成正比,用T(n) = O(f(n))表示,其中T(n)表示算法执行总时间,f(n)表示每行代码执行总次数,而n往往表示数据的规模。
2)特点
以时间复杂度为例,由于时间复杂度描述的是算法执行时间与数据规模的增长变化趋势,所以常量阶、低阶以及系数实际上对这种增长趋势不产决定性影响,所以在做时间复杂度分析时忽略这些项。
2.复杂度分析法则
1)单段代码看高频:比如循环。
2)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)嵌套代码求乘积:比如递归、多重循环等
4)多个规模求加法:比如方法有两个参数控制两个循环的次数,那么这时就取二者复杂度相加。
四、常见时间复杂度
第一种:多项式时间复杂度(按数量级递增)
1、O(1) 常量阶,代码执行时间不随n增大而增大,见于无循环无递归代码,不论多少行~O(1)是一种表示方式(不论多少行);
2、O(logN)对数阶,因为对数可以互相转换,且常量系数可忽略,所以忽略对数的底;
3、O(n)线性阶;
4、O(nlogN)对数线性阶;
5、各种次方阶。
第二种:非多项式时间复杂度:O(2的n次方) 和 O(n!) 属于非常低效的算法
第三种:O(m+n)与O(m*n),代码复杂度由两个数据规模决定,由于无法得知m、n哪个量级更大,故不能直接取其一。
五、如何掌握好复杂度分析方法?
复杂度分析关键在于多练,所谓孰能生巧。
极客时间——数据结构与算法(3)
最新推荐文章于 2022-12-30 15:50:36 发布