时间复杂度和空间复杂度
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,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:
忽略常数项
T(n)=2n+20和T(n)=2n 随着n变大,执行曲线无限接近,20可以忽略
T(n)=3n+10和T(n)=3n 随着n变大,执行曲线无限接近,10可以忽略
忽略低次项
T(n)=2n2+3n+10和T(n)=2n2 随着n变大,执行曲线无限接近,3n+10可以忽略
T(n)=n2+5n+20和T(n)=n2 随着n变大,执行曲线无限接近,5n+20可以忽略
忽略系数
T(n)=5n2+7n和T(n)=3n2+2n 随着n变大,执行曲线无限接近,5和3可以忽略
T(n)=n3+5n和T(n)=6n3+4n 执行曲线分离,说明次方数是关键
时间复杂度:
1.一般情况下,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,若有某个辅助函数发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。
2.T(n)不同,但时间复杂度可能相同,如T(n)=n3+5n和T(n)=6n3+4n他们的时间复杂度相同,都为O(n3)。
3.计算时间复杂度的方法:
用常数1代替运行中的所有加法常数。
修改后的运行次数函数中,只保留最高阶项。
去除最高阶项的系数。### 三级目录
常见的时间复杂度:
由小到大依次为O(1) < O(log2n) < O(n) < O(nlog2n) < O(n2) < O(n3) < O(nk) < O(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
1.常数阶O(1)
int i = 1;
int j = 2;
i++;
++j;
int m = i + j;
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)。
上述代码在执行的时候,它消耗的时间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。
2.对数阶O(log2n)
int i = 1;
while (i<n){
i = i * 2;
}
在while循环,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2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)。里面的2是根据代码变化的,i = i * 2; 就是O(log3n)。
3.线性阶O(n)
int j = 0;
for (int i = 0; i < n; i++) {
j = j + i;
}
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.线性对数阶O(nlog2n)
for (int m = 0; m < n; m++) {
int i = 1;
while (i<n){
i = i * 2;
}
}
将时间复杂度O(log2n)的代码循环n遍的话,那么它的时间复杂度就是nO(log2n)也就是O(nlog2n)
5.平方阶O(n2)、立方阶O(n3)、k次方阶O(nk)
int j = 0;
for (int i = 0; i < n; i++) {
for (int i1 = 0; i1 < n; i1++) {
j++;
}
}
将O(n)的代码再嵌套循环一遍,它的时间复杂度就是O(n2)。如果将一层的n换为m那么时间复杂度就是O(n*m)。立方阶O(n3)、k次方阶O(nk)同理。
6.指数阶O(2n)
平均时间复杂度和最坏时间复杂度
1.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。
2.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的运行界限,这就保证了算法的运行时间不会比最坏情况更长。
3.平均时间复杂度和最坏时间复杂度是否一致,和算法有关。
排序法 | 平均时间 | 最差情况 | 稳定度 | 额外空间 | 备注 |
---|---|---|---|---|---|
冒泡 | O(n2) | O(n2) | 稳定 | O(1) | n小时较好 |
交换 | O(n2) | O(n2) | 不稳定 | O(1) | n小时较好 |
选择 | O(n2) | O(n2) | 不稳定 | O(1) | n小时较好 |
插入 | O(n2) | O(n2) | 稳定 | O(1) | 大部分已排序时较好 |
基数 | O(logRB) | O(logRB) | 稳定 | O(n) | B是真数(0-9)、R是基数(个十百) |
Shell | O(nlogn) | O(ns)1<s<2 | 不 稳定 | O(1) | s为所选分组 |
快速 | O(nlogn) | O(n2) | 不稳定 | O(nlogn) | n大时较好 |
归并 | O(nlogn) | O(nlogn) | 稳定 | O(1) | n大时较好 |
堆 | O(nlogn) | O(nlogn) | 不稳定 | O(1) | n大时较好 |
空间复杂度
1.类似于时间复杂度的讨论,一个算法的空间复杂度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。
2.空间复杂度是对一个算法在运行过程中临时占用存储空间大小的度量。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。
3.在做算法分析的时候,主要讨论的是时间复杂度。从用户使用体验上看,更看重程序执行的速度。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。