01、| 复杂度分析
1.1 事后统计法
-
我们把代码跑一遍,通过统计、监控,就能得到算法的执行的时间和占用的内存大小——事后统计法。
-
局限性:
- 测试结果非常依赖测试环境
- 测试结果受数据规模影响很大
因此引入大O时间复杂度表示法
1.2 大O时间复杂度表示法
-
表示代码执行时间随数据规模增长的趋势,也叫做渐进时间复杂度,简称时间复杂度。
-
时间复杂度分析
- 只关注执行循环次数最多的一段代码(忽略掉公式中的常量、低阶、系数)
- 加法法则:总复杂度等于最大的那段代码的复杂度
如果T1(n) = O(f(n)),T2(n) = O(g(n));那么T(n) = T1(n) + T2(n) = max (O(f(n)),O(g(n)))
- 乘法法则:嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
如果有T1(n) = O(f(n)),T2(n) = O(g(n));那么T(n) = T1(n) * T2(n) = O(f(n)) * O(g(n)) = O(f(n) * g(n))
-
几种常见的时间复杂度分析
-
非多项式量级,NP (Non-Deterministic Polynomial,非确定多项式)——当数据规模n越来越大时,非多项式量级算法的执行时间会急剧增加,求解问题的执行时间会无限增长。低效!
- 指数阶
O(2^n)
- 阶乘阶
O(n!)
- 指数阶
-
多项式量级
- 常量阶
O(1)
- 对数阶
O(log n)
i = 1; while(i <= n){ i *=2; }
- 线性阶
O(n)
- 线性对数阶
O(n * log n)
- 平方阶
O(n^2)
、立方阶O(n^3)
……k次方阶O(n^k)
- 常量阶
-
-
常用的时间复杂度从小到大
1.3空间复杂度
同时间复杂度
1.4 最好、最坏、平均、均摊时间复杂度
-
最好情况时间复杂度就是,在最理想的情况下,执行这段代码的时间复杂度
-
最坏情况时间复杂度就是,在最糟糕的情况下,执行这段代码的时间复杂度
-
平均情况时间复杂度——加权平均时间复杂度或者期望时间复杂度。
-
均摊时间复杂度
- 摊还分析
// array表示一个长度为n的数组 // 代码中的array.length就等于n int[] array = new int[n]; int count = 0; void insert(int val) { if (count == array.length) { int sum = 0; for (int i = 0; i < array.length; ++i) { sum = sum + array[i]; } array[0] = sum; count = 1; } array[count] = val; ++count; }
分析:代码实现了往数组中插入数据的功能,当数组满了之后,遍历求和,并将和放到数组第一个位置,然后继续插入数据。
对于insert()函数来说,O(1)时间复杂度的插入和O(n)时间复杂度的插入,出现的频率有一定规律。每一次O(n)的插入操作,都会跟着 n - 1次O(1)的插入操作,所以把耗时多的那次操作均摊到接下来的 n-1 次耗时少的操作上,均摊下来,这一组连续的操作的均摊时间复杂度就是 O(1)。
均摊时间复杂度就是一种特殊的平均时间复杂度!
1.5 练习
public static void main(String[] args) {
/*
* 最好时间复杂度为O(1)
* 最坏时间复杂度为O(n)
* 平均时间复杂度为O(1)
* */
}
//全局变量,大小为10的数组array,长度len,下标i
int[] array = new int[10];
int len = 10;
int i = 0;
//往数组中添加一个元素
void add(int element){
if ( i >= len){// 数组空间不够了 重新申请一个2倍大小的数组空间
int[] new_array = new int[len * 2];
for (int i1 = 0; i1 < len; ++i1) {
new_array[i1] = array[i];
}
// new_array复制给array,array现在大小就是2倍len了
array = new_array;
len = 2 * len;
}
array[i] = element;
++i;
}
array = new_array;
len = 2 * len;
}
array[i] = element;
++i;
}
**——学习王争老师数据结构与算法之美课后总结**