很多小伙伴刚学习算法的时候,是不是对如何看一段代码的复杂度很是一头雾水,或者我们根本就不想去了解什么复杂度,只要功能实现就OK了。
可是算法算法,就是要精益求精,分秒必争,包括一些算法考试都是有时间和空间要求的,所以掌握如何看算法复杂度这个技能十分必要。而且看完这篇文章你就会发现,计算复杂度原来如此简单
1. 时间复杂度
简单的说,时间复杂度就是计算机基本运算次数所处的等级,其中基本运算就是加减乘除,
for (int i = 0;i<n ;i++ ){
sum += a[i]
}
就这段代码来说,for循环执行了n次,共执行了n次加法运算
下面这段代码运行了2n次加法运算
for (int i = 0;i<n ;i++ ){
sum += a[i];
sum += a[i];
}
显然 n 次运算 和2n次运算 随着n的规模不断增大,其增长趋势是相同的,所以这样的代码时间复杂度为O(n),表明算法消耗的时间随着n的值线性增加,显然与前面的系数无关,所以O(n)和O(2n)是等价的。
for (int i = 0;i<n ;i++ ){
for (int j = 0;j<n ;j++ ){
sum += a[i];
}
}
这段代码执行了 n² 次运算,所以时间复杂度为O(n²)。
在时间复杂度中,高等级的幂次会覆盖低等级的幂次,什么意思呢?
就是 O(3n²+n+1) 和 O(n²)是等价的。
另外,显然 O(3n²+n+1) 会趋近于 O(cn²),这里c是一个常数,我们称它为算法时间复杂度的常数,所以当有些算法实现复杂的时候,c会变得很大,所以即使这时算法复杂度相同(一般再说算法复杂度的时候会忽略前面的系数),性能也会有较大差距。
此外还有O(logn)级别的复杂度,比如二分查找算法:
int binarySearch(int arr[], int l, int r, int target){
if( l > r ) return -1;
int mid = l + (r-l)/2;
if( arr[mid] == target ) return mid;
else if( arr[mid] > target )
return binarySearch(arr, l, mid-1, target); // 左边
else
return binarySearch(arr, mid+1, r, target); // 右边
}
在这个算法中,每次从[ l , r ] 这个区间中去查找,找到target就停止,中间值比target小就从右边找,比他大就从左边找,根据数学知识,我们一共需要log2n次来完成,所以时间复杂度为o(logn)。
还有O(1) ,表明时间复杂度不是线性增长的,所以这几个时间复杂度有如下几的关系
O(1) < O(logn) < O(n) < O(n²)
2.空间复杂度
和时间复杂度类似,空间复杂度采用相同的写法,表示一个算法需要消耗的最大数据空间,例如一个算法, 最大数据空间为一个二维数组,所以他的空间复杂度就是O(n²)。
一般来说,空间基本够用,其重要性也就不如时间复杂度,所以我们经常采用 以空间换时间的方法,比如散列法 就是这样一个高效的方法。