面试中的复杂度分析

面试中的复杂度分析

很多同学一提起复杂度分析就头疼，马上想起了《算法导论》中复杂的数学推导。但其实在一般的企业面试中，对复杂度的分析要求并没有那么高，但也是绕不过去的坎儿。在这一章，和大家介绍一下，面试中需要掌握的复杂度分析。…

2-1 究竟什么是大O（Big O）

大O？

• n 表示数据规模
• O（f(n)）表示运行算法所需要执行的指令数，和 f(n) 成正比

例如

• 二分查找法 O(logn) — 所需执行指令数 ：a * logn
• 寻找 数组中的最大/最小值 O(n) — 所需执行指令数 ：b * n
• 归并排序算法O(nlogn) — 所需执行指令数 ：c * nlogn
• 选择排序法O(n^2) — 所需执行指令数 ：d * n^2

到底什么是 Big O？

在学术界，严格来讲，O(f(n)) 表示算法执行的上界

归并排序算法的时间复杂度是O(nlogn)的，同时也是O（n^2）

在业界，我们就使用O来表示算法执行的最低上界

我们一般不会说归并排序是O(n^2)的

例子

• O（nlogn + n）= O （nlogn）
• O（nlogn + n^2）=O（n2）

无法判断

• O（AlogA + B） – A 与 B 无法确定

• O（AlogA + B ^2）

• 对邻接表实现的图进行遍历

  • 时间复杂度：O（ V + E ）

一个时间复杂度的问题

有一个字符串数组，将数组中的每一个字符串按照字母序排序；之后再将整个字符串数组按照字典序排序。整个操作的时间复杂度？

正确解答：

• 假设最长的字符串长度为 s ；数组中有 n 个字符串
• 对每个字符串排序：O（slogs）
• 将数组中的每一个字符串按照字母序排序：O（n * slog(s) ）
• 将整个字符串数组按照字典序排序：O（s * nlog(n) ）

算法复杂度在有些情况是用例相关的

• 插入排序 O（n ^ 2）

  • 最差情况：O（n ^ 2）
  • 最好情况：O（n）
  • 平均情况：O（n ^ 2）

• 快速排序算法 O （nlogn）

  • 最差情况：O（n ^ 2）
  • 最好情况：O（ nlogn ）
  • 平均情况：O（ nlogn ）

2-2 对数据规模有一个概念

抛出问题

对 10 ^ 5 的数据进行选择排序，结果计算机假死？

• 如果要想在 1s 之内解决问题：
  • O（n ^ 2）的算法可以处理大约 10 ^ 4 级别的数据
  • O（ n ）的算法可以处理大约 10 ^ 8 级别的数据
  • O（ nlogn ）的算法可以处理大约 10 ^7级别的数据

空间复杂度

• 多开一个辅助的数组：O（n）
• 多开一个辅助的二维数组：O（n ^ 2）
• 多开常数空间：O（1）

2-3 简单的复杂度分析

O（1）：

O（ n ）：

1/2 *n次 swap 操作也是：O(n) 。

O（n ^ 2）: ( 选择排序 )

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OdKqpknG-1571638266745)(http://static.zxinc520.com/blog/20190909/rh5JcB9dA8ux.png?imageslim)]

并不是所有双重循环都是 O（n ^ 2）：例如 【因为里面的循环次数是固定的 】

下面算法是 O（logn）级别的： 【 自增并不是每次都加1 】

下面算法是O（ sqrt (n) ）【 判断 n 是不是 一个素数】

O（logn）：（ 二分查找法 ）

整形转成字符串

log 以2为底 和 以 10为底有区别吗

2-4 亲自试验自己算法的时间复杂度

复杂度实验

实验，观察趋势

每次 将数据规模提高两倍，看时间的变化

2-5 递归算法的复杂度分析

不是有递归的函数就一定是 O（ nlogn ）！

递归中进行一次递归调用的复杂度分析

二分法使用递归：

引申：上述 函数增加求 负次幂？

递归中进行多次递归调用

深度不一样，并不是所有 多次递归调用 的时间复杂度 为：O（2 ^ n）

递归函数的时间复杂度

查阅 主定理 （面试一般不考察）

2-6 均摊时间复杂度分析（Amortized Time Analysis）

2-7 避免复杂度的震荡

复杂度的震荡的解决方案