数据结构和算法(14)排序算法和时间复杂度
排序算法介绍
排序也称排序算法(Sort Algorithm),排序是将一组数据,依照指定的顺序进行排列的过程。
排序的分类:
1)内部排序:
指将需要处理的所有数据都加载到内部存储器(内存)中进行排序
2)外部排序法:
数据量过大,无法全部加载到内存中,需要借助外部存储(文件 等)进行排序。
3)常见的排序算法分类
算法的时间复杂度
度量一个程序(算法)执行时间的两种方法
1)事后统计法
这种方法可行,但是有两个问题:一是要想对设计的算法进行性能评测,需要实际运行该程序;二是所得时间的统计量依赖于计算机的硬件,软件等环境因素,这种方式,要在同一台计算机的相同状态下运行,才能比较哪个算法速度更快。
2)事前估计法
通过分析某个算法的时间复杂度来判断哪个算法更优
时间频度
基本介绍:
时间频度:一个算法话费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就越多,一个算法中的语句执行次数称为语句频度或者时间频度,记为T(n).
算法的时间复杂度可以忽略常数项。
算法的时间复杂度可以忽略低次项。
算法的时间复杂度可以忽略系数项。
时间复杂度
1.一般情况下,算法中的基本语句操作的语句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f(n),使得当n趋于无穷大时,T(n)/f(n)的极限值为不等于0的常熟,则称f(n)是T(n)的同数量级函数,记作T(n)=O(T(n))称O(T(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
3.计算时间复杂度的方法:
- 用常熟1代替运行时间中的所有加法常数,
- 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
常见的时间复杂度
- 常见的算法时间复杂度从小到大依次为O(1)<O(log2n)<O(n)<O(nlogN)<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,算法的执行效率越来越低
- 从图中我们可以看见,我们应该尽可能避免使用指数阶的算法
1)常数阶O(1)
int i=1;
int j=2;
++i;
j++;
int m= i+j;
说明:无论代码执行了多少行,只要没有循环等复杂结构,那么这个代码的时间复杂度就行O(1)
2)对数 阶O(log2n)
int i=1;
while(i<n){
i=i*2;
}
说明:在while循环里面,每次都将i称2,i距离n越来越近,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啦,因此这个代码的时间复杂度为O(log2n),O(log2n)这个时间是根据代码变化的i=i*3则是O(log3n)
3)线性阶O(n)
for(i = 1; i<=n;++i){
j=i;
j++;
}
说明:for循环里面的的代码会执行n遍,因此它消耗的时间是随着n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(nlogN)
for(m=1;m<n;m++){
i=1;
while(i<n){
i=i*2;
}
}
说明:线性对数阶O(nlogN)其实非常容易理解,将时间复杂度为O(logn)的代码循环n遍的话,它的时间复杂度就是n*O(logn),也就是O(logN)
- 平方阶O(n²)
for(x=1;i<=n;x++){
for(i=1; i<=n; i++){
j=i;
j++;
}
}
说明:平方阶O(n²)就更容易理解了,如果遍O(n)的代码再嵌套循环一遍,它的时间复杂度就是O(n²),这段代码其实就是嵌套了2层循环,它的时间复杂度就是O(n*n),即O(n²)如果将其中的一层循环的n改成m,那它的时间复杂度就变成了O(m *n)
6)立方阶O(n³),k次方阶O(n^k)
说明:参考上面的O(n²)去理解就好了,O(n³)相当于三层n循环,其他的类似
算法的时间复杂度
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)最坏的情况下的时间复杂度称为最坏时间复杂度,一般讨论的时间复杂度均是最坏的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运行时间的界限,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 | 最差情形 | 稳定度 | 额外空间 | 备注 |
---|---|---|---|---|---|
冒泡 | O(n²) | O(n²) | 稳定 | O(1) | n小时比较好 |
交换 | O(n²) | O(n²) | 不稳定 | O(1) | n小时比较好 |
选择 | O(n²) | O(n²) | 不稳定 | O(1) | n小时比较好 |
插入 | O(n²) | O(n²) | 稳定 | O(1) | 大部分已排序时比较好 |
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(nlogn) | 不稳定 | O(1) | s是所选分组 |
快速 | O(nlogn) | O(n²) | 不稳定 | O(nlogn) | n大时比较好 |
归并 | O(nlogn) | O(nlogn) | 稳定 | O(1) | n大时比较好 |
堆 | O(nlogn) | O(nlogn) | 不稳定 | O(1) | n大时比较好 |
算法的空间复杂度
基本介绍
1)类似于时间复杂度的讨论,一个算法的空间复杂度(Space Complexity)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(Speace Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度,有的算法需要占用的临时工作单元数于解决问的规模n有关,它随着n的增大而增大,当n比较大是,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)在做算法分析是,主要讨论的是时间复杂度,从用户体验上看,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。