算法复杂度分析_无穷大量的阶算法复杂度-CSDN博客

本文链接：https://blog.csdn.net/weixin_42584545/article/details/104125734

文章目录

1、为什么讨论算法的复杂度？

算法两个主要方面：

正确：算法功能与问题要求一致？
成本：运行时间 + 所需存储空间 =》如何度量？ + 如何比较？
算法复杂度分析的动机
如何度量：设计的这个算法如何？跑得是不是足够快？随着问题规模的增长会怎样变化了？
如何比较？
同一个问题有多种不同的算法，如何判断其优劣了？

2、为什么讨论算法的复杂度？

直接想法 – 实验测试

把代码跑一遍，通过统计、监控，就能得到算法执行的时间和占用的内存大小

实验测试难以准备反映算法的效率 - 测试环境和测试数据各异

不同的算法可能适应不同的输入规模
不同的算法可能适应不同类型的输入
同一个算法，可能由不同的程序员、用不同的语言、由不同的编译器编译
同一个算法，可能被运行在不同的OS、不同体系结构的计算机上为了
给出一个客观的评判断，需要抽象出一个理解的计算模型
不依赖于上述各种具体因素，准确测量和评价算法
RAM(Random Access Model)
指令一条接着一条执行（串行）
指令包含了真实计算机的常见指令，例如：
- 1算数指令（加法，减法，乘法，除法，取余，向下取整，向上取整）
- 2数据移动指令（装入，存储，复制）
- 3控制命令（条件与无条件转移、子程序调用与返回）
上述每条指令所用的时间均为常数
在RAM模型中，算法的运行时间就与算法需要执行的指令操作次数成正比，记为T(n)，即算法为求解规模为n的问题，所需要执行的指令操作次数。

int hello() {
    System.out.println("Hello, World!\n");      //  需要执行 1 次
    return 0;       // 需要执行 1 次
}

T(n) = 2
T(n) = O(1)

int hello(int n) {
   for(int i=0; i<n; i++) {                                          // 需要执行 (n + 1) 次
       System.out.println("Hello, World!\n");      //  需要执行 n 次
   }
    return 0;       // 需要执行 1 次
}

T(n) = n+1+n + 1 = 2n + 2
T(n) = O(n)

int hello(int n) {
   for(int i=0; i<n; i++) {                                          // 需要执行 (n + 1) 次
       System.out.println("Hello, World!\n");      //  需要执行 n 次
   }
 for(int i=0; i<n; i++) {                                          // 需要执行 (n + 1) 次
      for(int j=0; j<n; j++) // 需要执行 (2n + 1)*n 次
       	System.out.println("Hello, World!\n");      //  需要执行 n*n次
   }
    return 0;       // 需要执行 1 次
}

T(n) =2 n+1+n + n+1 + n (n+1) + nn + 1 = 2n2+ 4n + 3

3、时间频度

基本介绍

时间频度：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)。

举例说明-基本案例

比如计算 1-1000 所有数字之和, 我们设计两种算法：
在这里插入图片描述 举例说明-忽略常数项
结论:
1) 2n+20 和 2n 随着 n 变大，执行曲线无限接近, 20 可以忽略
2) 3n+10 和 3n 随着 n 变大，执行曲线无限接近, 10 可以忽略

举例说明-忽略低次项
在这里插入图片描述 举例说明-忽略系数
结论:
1) 随着 n 值变大，5n^2+7n 和 3n^2 + 2n ，执行曲线重合, 说明这种情况下, 5 和 3 可以忽略。
2) 而 n^3+5n 和 6n^3+4n ，执行曲线分离，说明多少次方式关键

4、时间复杂度

一般情况下，算法中的基本操作语句的重复执行次数是问题规模 n 的某个函数，用 T(n)表示，若有某个辅助函数 f(n)，**使得当 n 趋近于无穷大时，T(n) / f(n) 的极限值为不等于零的常数，则称 f(n)是 T(n)的同数量级函数。记作 T(n)= Ｏ( f(n) )，称Ｏ( f(n) ) 为算法的渐进时间复杂度，**简称时间复杂度。
T(n) 不同，但时间复杂度可能相同。如：T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的 T(n) 不同，但时间复杂度相同，都为 O(n²)。
计算时间复杂度的方法：

用常数 1 代替运行时间中的所有加法常数 T(n)=n²+7n+6 => T(n)=n²+7n+1
修改后的运行次数函数中，只保留最高阶项 T(n)=n²+7n+1 => T(n) = n²
去除最高阶项的系数 T(n) = n² => T(n) = n² => O(n²)
常见的时间复杂度

1. 常数阶 O(1)
1. 对数阶 O(log2n)
1. 线性阶 O(n)
1. 线性对数阶 O(nlog2n)
1. 平方阶O(n^2)
1. 立方阶 O(n^3)
1. k 次方阶 O(n^k)
1. 指数阶 O(2^n)

常见的时间复杂度对应的图
在这里插入图片描述说明：

1) 常见的算法时间复杂度由小到大依次为：Ο(1)＜Ο(log2n)＜Ο(n)＜Ο(nlog2n)＜Ο(n2)＜Ο(n3)＜Ο(nk)＜Ο(2n) ，随着问题规模 n 的不断增大，上述时间复杂度不断增大，算法的执行效率越低
2) 从图中可见，我们应该尽可能避免使用指数阶的算法

4.1 常数阶 O(1)

无论代码执行了多少行，只要是没有循环等复杂结构，那这个代码的时间复杂度就都是O(1)。
在这里插入图片描述
上述代码在执行的时候，它消耗的时候并不随着某个变量的增长而增长，那么无论这类代码有多长，即使有几万几十万行，都可以用O(1)来表示它的时间复杂度。

4.2对数阶 O(log2n)

在这里插入图片描述说明：在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。假设循环x次之后，i 就大于 n 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 n，那么 x = log2n也就是说当循环 log2n 次以后，这个代码就结束了。因此这个代码的时间复杂度为：O(log2n) 。 O(log2n) 的这个2 时间上是根据代码变化的，i = i * 3 ，则是 O(log3n) 。

4.3 线性阶 O(n)

在这里插入图片描述 说明：这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用O(n)来表示它的时间复杂度。

4.4线性对数阶 O(nlogN)

在这里插入图片描述 说明：线性对数阶O(nlogN) 其实非常容易理解，将时间复杂度为O(logn)的代码循环N遍的话，那么它的时间复杂度就是 n * O(logN)，也就是了O(nlogN)。

4.5 平方阶 O(n²)

在这里插入图片描述说明：平方阶O(n²) 就更容易理解了，如果把 O(n) 的代码再嵌套循环一遍，它的时间复杂度就是 O(n²)，这段代码其实就是嵌套了2层n循环，它的时间复杂度就是 O(nn)，即 O(n²) 如果将其中一层循环的n改成m，那它的时间复杂度就变成了 O(mn)

说明：参考上面的 O(n²) 去理解就好了，O(n³)相当于三层 n 循环，其它的类似

4.6 平均时间复杂度和最坏时间复杂度

平均时间复杂度是指所有可能的输入实例均以等概率出现的情况下，该算法的运行时间。
最坏情况下的时间复杂度称最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。这样做的原因是：最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限，这就保证了算法的运行时间不会比最坏情况更长。
平均时间复杂度和最坏时间复杂度是否一致，和算法有关(如下图)。

5. 空间复杂度

5.1 简介

类似于时间复杂度的讨论，一个算法的空间复杂度(Space Complexity)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。
空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度。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, 基数排序就属于这种情况
在做算法分析时，主要讨论的是时间复杂度。 从用户使用体验上看，更看重的程序执行的速度。一些缓存产品(redis, memcache)和算法(基数排序)本质就是用空间换时间。