一.大 O 复杂度表示法
求 1,2,3…n 的累加和的执行时间。
int cal(int n) {
int sum = 0;
int i = 1;
for (; i <= n; ++i) {
sum = sum + i;
}
return sum;
}
从 CPU 的角度来看,这段代码的每一行都执行着类似的操作:读数据-运算-写数据。
尽管每行代码对应的 CPU 执行的个数、执行的时间都不一样,但是,我们这里只是粗略估计,所以可以假设每行代码执行的时间都一样,为 unit_time。在这个假设的基础之上,这段代码的总执行时间是多少呢?第 2、3 行代码分别需要 1 个 unit_time 的执行时间,第 4、5 行都运行了 n 遍,所以需要 2n*unit_time 的执行时间,所以这段代码总的执行时间就是
(2n+2)*unit_time 。
所以,所有代码的执行时间 T(n) 与每行代码的执行次数成正比。
int cal(int n) {
int sum = 0;
int i = 1;
int j = 1;
for (; i <= n; ++i) {
j = 1;
for (; j <= n; ++j) {
sum = sum + i * j;
}
}
}
第 2、3、4 行代码,每行都需要 1 个 unit_time 的执行时间,第 5、6 行代码循环执行了 n 遍,需要 2n * unit_time 的执行时间,第 7、8 行代码循环执行了 n 2 n^2 n2遍,所以需要2 n 2 n^2 n2 * unit_time 的执行时间。所以,整段代码总的执行时间 T(n) = (2 n 2 n^2 n2+2n+3)*unit_time。
由此可知,所有代码的执行时间 T(n) 与每行代码的执行次数 f(n) 成正比。
推导出公式:T(n) = O(f(n))
T(n) 表示代码执行的时间;n 表示数据规模的大小;f(n) 表示每行代码执行的次数总和。因为这是一个公式,所以用 f(n) 来表示。公式中的 O,表示代码的执行时间 T(n) 与 f(n) 表达式成正比。
所以,第一个例子中的 T(n) = O(2n+2),第二个例子中的 T(n) = O(2 n 2 n^2 n2+2n+3)。这就是大 O 时间复杂度表示法。大 O 时间复杂度实际上并不具体表示代码真正的执行时间,而是表示代码执行时间随数据规模增长的变化趋势,所以,也叫作渐进时间复杂度(asymptotic time complexity),简称时间复杂度。
当 n 很大时,公式中的低阶、常量、系数三部分并不左右增长趋势,所以都可以忽略。只需要记录一个最大量级就可以了,如果用大 O 表示法表示以上两段代码的时间复杂度,就可以记为:T(n) = O(n); T(n) = O( n 2 n^2 n2)。
二.时间复杂度分析
1.只关注循环执行次数最多的一段代码
大 O 这种复杂度表示方法只是表示一种变化趋势。通常会忽略掉公式中的常量、低阶、系数,只需要记录一个最大阶的量级就可以了。所以,分析一个算法、一段代码的时间复杂度的时候,也只关注循环执行次数最多的那一段代码就可以了。这段核心代码执行次数的 n 的量级,就是整段要分析代码的时间复杂度。
int cal(int n) {
int sum = 0;
int i = 1;
for (; i <= n; ++i) {
sum = sum + i;
}
return sum;
}
其中第 2、3 行代码都是常量级的执行时间,与 n 的大小无关,所以对于复杂度并没有影响。循环执行次数最多的是第 4、5 行代码,所以这块代码要重点分析。这两行代码被执行了 n 次,所以总的时间复杂度就是 O(n)。
2.加法法则:总复杂度等于量级最大的那段代码的复杂度
int cal(int n) {
int sum_1 = 0;
int p = 1;
for (; p < 100; ++p) {
sum_1 = sum_1 + p;
}
int sum_2 = 0;
int q = 1;
for (; q < n; ++q) {
sum_2 = sum_2 + q;
}
int sum_3 = 0;
int i = 1;
int j = 1;
for (; i <= n; ++i) {
j = 1;
for (; j <= n; ++j) {
sum_3 = sum_3 + i * j;
}
}
return sum_1 + sum_2 + sum_3;
}
分为三段来算:
第一段是O(1),这段代码循环执行了 100 次,所以是一个常量的执行时间,跟 n 的规模无关。第二段代码和第三段代码的时间复杂度是是 O(n) 和 O( n 2 n^2 n2),综合这三段代码的时间复杂度,取其中最大的量级。所以,整段代码的时间复杂度就为 O( n 2 n^2 n2)。
总的时间复杂度就等于量级最大的那段代码的时间复杂度。
3.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
T1(n) = O(n),T2(n) = O(
n
2
n^2
n2),则 T1(n) * T2(n) = O(
n
3
n^3
n3)
落实到具体的代码上,可以把乘法法则看成是嵌套循环。
int cal(int n) {
int ret = 0;
int i = 1;
for (; i < n; ++i) {
ret = ret + f(i);
}
}
int f(int n) {
int sum = 0;
int i = 1;
for (; i < n; ++i) {
sum = sum + i;
}
return sum;
}
所以,整个 cal() 函数的时间复杂度就是,T(n) = T1(n) * T2(n) = O(n*n) = O( n 2 n^2 n2)。
三.容易混淆的时间复杂度实例分析
复杂度量级,可以粗略地分为两类,多项式量级和非多项式量级。其中,非多项式量级只有两个:O(2n) 和 O(n!)。我们把时间复杂度为非多项式量级的算法问题叫作 NP(Non-Deterministic Polynomial,非确定多项式)问题。
O(logn)、O(nlogn)
对数阶时间复杂度非常常见,同时也是最难分析的一种时间复杂度。
i=1;
while (i <= n) {
i = i * 2;
}
从代码中可以看出,变量 i 的值从 1 开始取,每循环一次就乘以 2。当大于 n 时,循环结束。变量 i 的取值就是一个等比数列。如果把它一个一个列出来,就应该是这个样子的:
2
0
2^0
20
2
1
2^1
21
2
2
2^2
22 ……
2
x
2^x
2x = n
所以,只要知道 x 值是多少,就知道这行代码执行的次数了。通过 2 x 2^x 2x=n 求解 x 这个问题我们想高中应该就学过了,我就不多说了。x=log2n,所以,这段代码的时间复杂度就是 O( log 2 n \log_2n log2n)。
代码变一下
i=1;
while (i <= n) {
i = i * 3;
}
时间复杂度为O( log 3 n \log_3n log3n)
对数之间是可以互相转换的, log 3 n \log_3n log3n就等于 log 3 2 \log_32 log32 * log 2 n \log_2n log2n。所以 O( log 3 n \log_3n log3n) = O(C * log 2 n \log_2n log2n),其中 C= log 3 2 \log_32 log32 是一个常量。基于前面的一个理论:在采用大 O 标记复杂度的时候,可以忽略系数,即 O(Cf(n)) = O(f(n))。所以,O( log 2 n \log_2n log2n) 就等于 O( log 3 n \log_3n log3n)。因此,在对数阶时间复杂度的表示方法里,我们忽略对数的“底”,统一表示为 O( log n \log n logn)。
如果一段代码的时间复杂度是 O( log n \log n logn),循环执行 n 遍,时间复杂度就是 O(n log n \log n logn) 了。
四.空间复杂度分析
时间复杂度的全称是渐进时间复杂度,表示算法的执行时间与数据规模之间的增长关系。类比一下,空间复杂度全称就是渐进空间复杂度(asymptotic space complexity),表示算法的存储空间与数据规模之间的增长关系。
void print(int n) {
int i = 0;
int[] a = new int[n];
for (i; i <n; ++i) {
a[i] = i * i;
}
for (i = n-1; i >= 0; --i) {
print out a[i]
}
}
第 2 行代码中,申请了一个空间存储变量 i,但是它是常量阶的,跟数据规模 n 没有关系,所以可以忽略。第 3 行申请了一个大小为 n 的 int 类型数组,除此之外,剩下的代码都没有占用更多的空间,所以整段代码的空间复杂度就是 O(n)。
基本上时间复杂度分析出来后,看一下分配资源的代码位置,空间复杂度就出来了。