文章目录
1、时间复杂度
按照复杂度从低到高以此列出。
1.1常数时间 (O(1))
无论数据量多大,算法的运行时间都保持不变。
#include <iostream>
int main() {
int array[] = {1, 2, 3, 4, 5};
// 不管数组大小如何,以下操作的时间复杂度都是O(1)
std::cout << "The first element is: " << array[0] << std::endl;
return 0;
}
1.2对数时间 (O(log n))
算法的运行时间与数据量的对数增幅相关,经典例子是二分搜索。
#include <iostream>
// 二分查找是典型的O(log n)时间复杂度算法
int binarySearch(int arr[], int l, int r, int x) {
while (l <= r) {
int m = l + (r - l) / 2;
// 如果x正好在中间
if (arr[m] == x)
return m;
// 如果x大于中位数,则只能在右半边
if (arr[m] < x)
l = m + 1;
else
r = m - 1;
}
// 元素不存在
return -1;
}
int main() {
int array[] = {2, 3, 4, 10, 40};
int n = sizeof(array) / sizeof(array[0]);
int x = 10;
int result = binarySearch(array, 0, n-1, x);
(result == -1)
? std::cout << "Element is not present in array"
: std::cout << "Element is present at index " << result;
return 0;
}
1.3线性时间 (O(n))
算法的运行时间与数据量呈线性关系,如for循环单次遍历一个列表。
#include <iostream>
// 线性搜索是O(n)时间复杂度的例子
int linearSearch(int arr[], int n, int x) {
for (int i = 0; i < n; i++) {
if (arr[i] == x) {
return i;
}
}
return -1;
}
int main() {
int array[] = {1, 2, 3, 4, 5};
int x = 3;
int n = sizeof(array) / sizeof(array[0]);
int result = linearSearch(array, n, x);
(result == -1)
? std::cout << "Element not found"
: std::cout << "Element found at position: " << result;
return 0;
}
1.4线性对数时间 (O(n log n))
算法运行时间与数据量的线性乘以对数成正比,常见于一些高效的排序算法,如快速排序和归并排序。
#include <iostream>
#include <algorithm>
// 快速排序是O(n log n)时间复杂度的例子
void quickSort(int arr[], int low, int high) {
if (low < high) {
// pi is partitioning index, arr[p] is now at right place
int pi = partition(arr, low, high);
// 递归地分别对划分左右两部分进行排序
quickSort(arr, low, pi - 1);
quickSort(arr, pi + 1, high);
}
}
int main() {
int array[] = {10, 7, 8, 9, 1, 5};
int n = sizeof(array) / sizeof(array[0]);
quickSort(array, 0, n - 1);
std::cout << "Sorted array: ";
for (int i = 0; i < n; i++) {
std::cout << array[i
1.5二次时间 (O(n^2))
算法运行时间与数据量的平方成正比,双层for循环,例如简单的排序算法(冒泡排序)、双重遍历列表。
#include <iostream>
using namespace std;
void printPairs(int arr[], int n) {
for (int i = 0; i < n; i++) { // 外层循环 O(n)
for (int j = 0; j < n; j++) { // 内层循环 O(n)
cout << "(" << arr[i] << ", " << arr[j] << ")" << endl;
}
}
}
int main() {
int arr[] = {1, 2, 3, 4, 5};
int n = sizeof(arr)/sizeof(arr[0]);
printPairs(arr, n);
return 0;
}
1.6 立方时间 (O(n^3))
算法的运行时间与数据量的立方成正比,这在某些图问题或矩阵乘法中可以看到。
#include <iostream>
using namespace std;
void printTriplets(int arr[], int n) {
for (int i = 0; i < n; i++) { // 第一层循环 O(n)
for (int j = 0; j < n; j++) { // 第二层循环 O(n)
for (int k = 0; k < n; k++) { // 第三层循环 O(n)
cout << "(" << arr[i] << ", " << arr[j] << ", " << arr[k] << ")" << endl;
}
}
}
}
int main() {
int arr[] = {1, 2, 3};
int n = sizeof(arr)/sizeof(arr[0]);
printTriplets(arr, n);
return 0;
}
1.7指数时间 (O(2^n))
算法的运行时间随数据量指数级增长,这在某些递归计算和优化问题中较常见。
#include <iostream>
using namespace std;
int fibonacci(int n) {
if (n <= 1) {
return n;
}
return fibonacci(n - 1) + fibonacci(n - 2); // 每次调用产生两个子调用
}
int main() {
int n = 10;
cout << "Fibonacci number is " << fibonacci(n) << endl;
return 0;
}
1.8阶乘时间 (O(n!))
算法运行时间与数据量的阶乘成正比,常见于解决旅行商问题等排列问题。
#include <iostream>
using namespace std;
void permute(string a, int l, int r) {
if (l == r) {
cout << a << endl;
} else {
for (int i = l; i <= r; i++) {
swap(a[l], a[i]); // 交换字符
permute(a, l+1, r); // 递归调用
swap(a[l], a[i]); // 回溯,还原字符的位置
}
}
}
int main() {
string str = "ABC";
int n = str.size();
permute(str, 0, n - 1);
return 0;
}
2、空间复杂度
2.1 常量空间复杂度(O(1) )
算法的额外空间不随输入规模的增加而增加,即算法所需的额外空间是固定的。
#include <iostream>
using namespace std;
// 函数示例:打印数组中第一个元素
void printFirstElement(int arr[], int size) {
if (size > 0) {
cout << "First element of the array is: " << arr[0] << endl;
} else {
cout << "Array is empty." << endl;
}
}
int main() {
int arr[] = {1, 2, 3, 4, 5};
int size = sizeof(arr) / sizeof(arr[0]); // 计算数组的大小
printFirstElement(arr, size);
return 0;
}
2.2 线性空间复杂度(O(n))
算法的额外空间随着输入规模的增加线性增长。
#include <iostream>
#include <vector>
using namespace std;
// 函数示例:复制一个整数数组
vector<int> copyArray(int arr[], int size) {
vector<int> copy(size); // 分配一个大小为 size 的向量
for (int i = 0; i < size; ++i) {
copy[i] = arr[i];
}
return copy;
}
int main() {
int arr[] = {1, 2, 3, 4, 5};
int size = sizeof(arr) / sizeof(arr[0]); // 计算数组的大小
vector<int> copiedArray = copyArray(arr, size);
cout << "Copied array: ";
for (int num : copiedArray) {
cout << num << " ";
}
cout << endl;
return 0;
}
示例中,copyArray() 函数创建了一个新的大小与输入数组相同的向量来存储数组的副本。随着输入数组大小的增加,额外空间的需求也线性增加,因此空间复杂度是 O(n)。
2.3 平方空间复杂度(O(n^2))
额外空间的需求随着输入规模的增加而呈平方级增长。
#include <iostream>
#include <vector>
using namespace std;
// 函数示例:生成一个 n × n 的零矩阵
vector<vector<int>> generateZeroMatrix(int n) {
vector<vector<int>> matrix(n, vector<int>(n, 0)); //(n, 0)表示生成一个大小为n的一维向量,所有元素都初始化为0。vector<int>(n, 0)表示使用这个大小为n的一维向量初始化每一行,生成n行
return matrix;
}
int main() {
int n;
cout << "Enter the size of the matrix: ";
cin >> n;
vector<vector<int>> zeroMatrix = generateZeroMatrix(n);
cout << "Zero matrix of size " << n << " × " << n << " is generated." << endl;
return 0;
}
2.4对数空间复杂度(O(log(n))
递归时,递归调用栈的空间复杂度随着问题规模的对数增长。
#include <iostream>
using namespace std;
// 递归函数示例:计算阶乘
int factorial(int n) {
if (n == 0 || n == 1)
return 1;
return n * factorial(n - 1);
}
int main() {
int n;
cout << "Enter a number: ";
cin >> n;
cout << "Factorial of " << n << " is: " << factorial(n) << endl;
return 0;
}
factorial() 函数使用递归来计算阶乘。递归调用栈的深度随着输入规模的对数增长,因此空间复杂度是 O(logn)。
2.5线性对数空间复杂度(O(nlogn) )
通常出现在使用分治算法时,递归调用栈的空间复杂度为线性对数级别。
#include <iostream>
#include <vector>
using namespace std;
// 函数示例:归并排序
void merge(vector<int>& arr, int left, int mid, int right) {
int n1 = mid - left + 1;
int n2 = right - mid;
vector<int> L(n1), R(n2);
for (int i = 0; i < n1; ++i)
L[i] = arr[left + i];
for (int j = 0; j < n2; ++j)
R[j] = arr[mid + 1 + j];
int i = 0, j = 0, k = left;
while (i < n1 && j < n2) {
if (L[i] <= R[j]) {
arr[k++] = L[i++];
} else {
arr[k++] = R[j++];
}
}
while (i < n1) {
arr[k++] = L[i++];
}
while (j < n2) {
arr[k++] = R[j++];
}
}
void mergeSort(vector<int>& arr, int left, int right) {
if (left < right) {
int mid = left + (right - left) / 2;
mergeSort(arr, left, mid);
mergeSort(arr, mid + 1, right);
merge