算法的时间复杂度、空间复杂度

最新推荐文章于 2023-02-22 13:41:57 发布

Sophia要一直努力

最新推荐文章于 2023-02-22 13:41:57 发布

阅读量532

点赞数

分类专栏：算法文章标签：数据结构

本文链接：https://blog.csdn.net/weixin_41555408/article/details/84659211

版权

算法专栏收录该内容

5 篇文章 0 订阅

订阅专栏

时间复杂度和空间复杂度是度量算法效率的常用指标

时间度量

事后统计，不常用
事前统计影响因素：
算法策略问题规模程序语言代码质量机器执行指令的速度

撇开软硬件的影响，算法运行工作量的大小只依赖于问题的规模（通常用整数n表示）
一个算法是由控制结构（顺序，分支，循环三种）和原操作（指固有数据类型的操作）构成，则算法时间取决于两者的综合效果。

为了便于比较同一问题的不同算法，通常从算法中选取一种对于所研究问题来说是基本操作的原操作，以该基本操作重复执行的次数作为算法的时间度量。
算法的时间复杂度记做 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

原操作的执行次数与包含他的语句的执行次数相同

{++x; s = 0; }
for( i = 1 ; i <= n ; ++i ) { ++x ; s += x;}
for( j = 1 ; j <= n ; ++j )
for( k = 1 ; k <= n ; ++k ) { ++x ; s += x;}

含基本操作“x+1”的语句的频度分别为1，n和n^2，所以这三个程序段的时间复杂度分别为O(1)、O(n)、O( n^2 ) ，分别称为常量阶，线性阶和平方阶。

有些情况下，算法中基本操作重复执行的次数还随问题的输入数据集不同而不同。例如在冒泡排序算法中，“交换序列中相邻两个整数”这个基本操作执行次数可能为0，或者O(n^2)。这类算法时间复杂度有两种表示方法：一是考虑所有情况下时间复杂度的期望值（麻烦，而且出现概率难确定，所以不常用）；另一种是以最坏的情况下的时间复杂度作为该算法的时间复杂度。

时间复杂度并不是表示一个程序解决问题需要花多少时间，而是当问题规模扩大后，程序需要的时间长度增长得有多快。也就是说，对于高速处理数据的计算机来说，处理某一个特定数据的效率不能衡量一个程序的好坏，而应该看当这个数据的规模变大到数百倍后，程序运行时间是否还是一样，或者也跟着慢了数百倍，或者变慢了数万倍。不管数据有多大，程序处理花的时间始终是那么多的，我们就说这个程序很好，具有O(1)的时间复杂度，也称常数级复杂度；数据规模变得有多大，花的时间也跟着变得有多长，这个程序的时间复杂度就是O(n)，比如找n个数中的最大值；而像冒泡排序、插入排序等，数据扩大2倍，时间变慢4倍的，属于O(n^2) 的复杂度。还有一些穷举类的算法，所需时间长度成几何阶数上涨，这就是O(a^n) 的指数级复杂度，甚至O(n!)的阶乘级复杂度。