同一个问题,不同的算法可能用不同的时间、空间或效率来完成同样的任务
一个算法的优劣可用 时间复杂度和空间复杂度两种来衡量;
常用算法的时间和空间复杂度
排序法 | 最差时间分析 | 平均时间复杂度 | 稳定度 | 空间复杂度 |
---|---|---|---|---|
冒泡排序 | O(n2) O ( n 2 ) | O(n2) O ( n 2 ) | 稳定 | O(1) O ( 1 ) |
快速排序 | O(n2) O ( n 2 ) | O(n∗log2n) O ( n ∗ l o g 2 n ) | 不稳定 | O(log2n) O(n) O ( l o g 2 n ) O ( n ) |
选择排序 | O(n2) O ( n 2 ) | O(n2) O ( n 2 ) | 稳定 | O(1) O ( 1 ) |
二叉树排序 | O(n2) O ( n 2 ) | O(n∗log2n) O ( n ∗ l o g 2 n ) | 不一定 | O(n) O ( n ) |
插入排序 | O(n2) O ( n 2 ) | O(n2) O ( n 2 ) | 稳定 | O(1) O ( 1 ) |
堆排序 | O(n∗log2n) O ( n ∗ l o g 2 n ) | O(n∗log2n) O ( n ∗ l o g 2 n ) | 不稳定 | O(1) O ( 1 ) |
希尔排序 | O O | 不稳定 | O(1) O ( 1 ) |
时间复杂度
概念
算法的时间复杂度是一个函数,它定量描述了该算法的运行时间,时间复杂度用大O表述。(大O表示只是说有上界)一般来讲,一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。
一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
在计算时间复杂度时,先找出算法的基本操作,然后根据相应的各语句确定它的执行次数,再找出 T(n) T ( n ) 的同数量级(它的同数量级有: log2n l o g 2 n 、 n n 、、 n2 n 2 、 n3 n 3 、 2n 2 n 、 n! n ! ),找出 f(n)=该数量级 f ( n ) = 该 数 量 级 。若 limT(n)/f(n) l i m T ( n ) / f ( n ) 求极限可得常数c,则时间复杂度 T(n)=O(f(n)) T ( n ) = O ( f ( n ) )
常见时间复杂度
按数量级递增排列:
常数阶 :
O(1)
O
(
1
)
对数阶 :
O(log2n)
O
(
l
o
g
2
n
)
线性阶 :
O(n)
O
(
n
)
—————– #一阶时间复杂度
线性对数阶 :
O(nlog2n)
O
(
n
l
o
g
2
n
)
平方阶 :
O(n2)
O
(
n
2
)
立方阶 :
O(n3)
O
(
n
3
)
…
k次方阶 :
O(nk)
O
(
n
k
)
指数阶 :
O(2n)
O
(
2
n
)
除了常数阶以外,对数阶 O(log2n) O ( l o g 2 n ) 、线性对数阶 O(nlog2n) O ( n l o g 2 n ) 效率最高
算法举例
1、
for(i=1;i<=n;++i)
{
for(j=1;j<=n;++j)
{
c[ i ][ j ]=0; //该步骤属于基本操作 执行次数:n^2
for(k=1;k<=n;++k)
c[ i ][ j ]+=a[ i ][ k ]*b[ k ][ j ];
//该步骤属于基本操作 执行次数:n^3
}
}
则有 T(n)=n2+n3 T ( n ) = n 2 + n 3 ,根据上面括号里的同数量级,我们可以确定 n3 n 3 为 T(n) T ( n ) 的同数量级。
则有 f(n)=n3 f ( n ) = n 3 ,然后根据 T(n)/f(n) T ( n ) / f ( n ) 求极限可得到常数c
则该算法的 时间复杂度: T(n)=O(n3) T ( n ) = O ( n 3 )
2、
sum=0; (一次)
for(i=1;i<=n;i++) (n次 )
for(j=1;j<=n;j++) (n^2次 )
sum++; (n^2次 )
解:T(n)=2n^2+n+1 =O(n^2)
3、
for (i=1;i<n;i++)
{
y=y+1; # (n-1次)
for (j=0;j<=(2*n);j++)
x++; # (n-1)*(2n+1)=2n^2-n-1 次
}
解: f(n)=2n^2-n-1+(n-1)=2n^2-2
该程序的时间复杂度T(n)=O(n^2).
3、
a=0;
b=1; #前两句各1次,共两次
for (i=1;i<=n;i++) # n 次
{
s=a+b; # n-1次
b=a; # n-1次
a=s; # n-1次
}
T(n)=2+n+3(n-1)=4n-1=O(n).
4、
i=1; # 频度为1
while (i<=n) #频度为f(n) 2^f(n)<=n; f(n)<=log2n
i=i*2;
解: 取最大值f(n)= log2n,
T(n)=O(log2n )
5、
for(i=0;i<n;i++)
{
for(j=0;j<i;j++)
{
for(k=0;k<j;k++)
x=x+2;
}
}
解:当i=m, j=k的时候,内层循环的次数为k当i=m时, j 可以取 0,1,…,m-1 , 所以这里最内循环共进行了0+1+…+m-1=(m-1)m/2次所以,i从0取到n, 则循环共进行了: 0+(1-1)*1/2+…+(n-1)n/2=n(n+1)(n-1)/6所以时间复杂度为O(n^3).
常用排序算法简要说明
名称 | 复杂度 | 说明 | 备注 |
---|---|---|---|
冒泡排序 | O(n2) O ( n 2 ) | 将待排序的元素看作是竖着排列的“气泡”,较小的元素比较轻,从而要往上浮 | |
快速排序 | O(n2) O ( n 2 ) | 先选择中间值,然后把比它小的放在左边,大的放在右边(具体的实现是从两边找,找到一对后交换)。然后对两边分别使用这个过程(递归)。 | |
选择排序 | O(n2) O ( n 2 ) | 首先在未排序序列中找到最小元素,存放到排序序列的起始位置,然后,再从剩余未排序元素中继续寻找最小元素,然后放到排序序列末尾。以此递归。 | |
箱排序 | O(n) O ( n ) | 设置若干个箱子,把关键字等于 k 的记录全都装入到第k 个箱子里 ( 分配 ) ,然后按序号依次将各非空的箱子首尾连接起来 ( 收集 ) 。 | 分配排序的一种:通过” 分配 ” 和 ” 收集 ” 过程来实现排序。 |
插入排序 | O(n2) O ( n 2 ) | 逐一取出元素,在已经排序的元素序列中从后向前扫描,放到适当的位置 | 起初,已经排序的元素序列为空 |
堆排序 | O(n∗log2n) O ( n ∗ l o g 2 n ) | 利用堆(heaps)这种数据结构来构造的一种排序算法。堆是一个近似完全二叉树结构,并同时满足堆属性:即子节点的键值或索引总是小于(或者大于)它的父节点。 | 近似完全二叉树 |
希尔排序 | O(n1+£) 0<£<1 | 选择一个步长(Step) ,然后按间隔为步长的单元进行排序.递归,步长逐渐变小,直至为1. |
空间复杂度
类似于时间复杂度,一个算法的空间复杂度(Space Complexity) S(n) S ( n ) 定义为该算法所耗费的存储空间,它也是问题规模n的函数,对一个算法在运行过程中临时占用存储空间大小的量度。
一个算法在计算机存储器上所占用的存储空间,包括:
- 存储算法本身所占用的存储空间
与算法书写的长短成正比,要压缩这方面的存储空间,就必须编写出较短的算法
算法的输入输出数据所占用的存储空间
是由要解决的问题决定的,是通过参数表由调用函数传递而来的,它不随本算法的不同而改变。算法在运行过程中临时占用的存储空间
随算法的不同而异
有的算法只需要占用少量的临时工作单元,而且不随问题规模的大小而改变,我们称这种算法是“就地\”进行的,是节省存储的算法;
有的算法需要占用的临时工作单元数与解决问题的规模n有关,它随着n的增大而增大,当n较大时,将占用较多的存储单元,例如快速排序和归并排序算法就属于这种情况。
- 当一个算法的空间复杂度为一个常量,即不随被处理数据量n的大小而改变时,可表示为 O(1) O ( 1 ) ;
- 当一个算法的空间复杂度与以2为底的n的对数成正比时,可表示为 O(log2n) O ( l o g 2 n ) ;
- 当一个算法的空间复杂度与n成线性比例关系时,可表示为 O(n) O ( n ) 。