简单了解有关算法的时间复杂度和空间复杂度

首先是关于算法效率的问题.

算法效率的分析一般可分为两种:一种是时间效率,一种是空间效率.时间效率被称为时间复杂度,而空间效率被称为空间复杂度.
我们通常用时间复杂度去衡量一个算法的运行速度,而空间复杂度主要衡量的是一个算法所需要的额外空间.
在计算机发展的早些时候,由于计算机的存储容量比较小,所以对于空间复杂度特别在乎,但是经过这么多年计算机行业的迅速发展,我们的计算机容量已经达到了一种相对较高的程度,所以我们现在很少去特别关注一个算法的空间复杂度.

接下来我们就来了解一下算法的时间复杂度.
关于时间复杂度,在计算机科学中,算法的时间复杂度其实是一个函数,它定量描述了算法的运行时间.其实从理论上来讲,一个算法执行所需要的时间是不能算出来的.因为我们编写的程序必须要放在计算机上跑起来,我们才能知道.
虽然我们可以把每个算法都放在计算机上去测试,但是这样很耗费时间和精力,比较麻烦,所以才有了时间复杂度这个概念,用来描述算法执行需要耗费的时间.
在时间复杂度的描述上,我们通常用大O的渐进表示法,我们可以先来看一个程序

#include <stdio.h>
#include <stdlib.h>
//计算一下Func1基本操作执行了多少次
void Func1(int N){
	int count = 0;
	for (int i = 0; i < N; ++i){
		for (int j = 0; j < N; ++j){
			++count;
		}
	}
	for (int k = 0; k < 2 * N; ++k){
		++count;
	}
	int M = 10;
	while (M--){
		++count;
	}
	printf("%d\n", count);
}
int main(){
	Func1(20);
	system("pause");
	return 0;
}

Func1执行的基本操作次数:
F(N) = N^2 + 2 * N + 10;
N = 10, F(N) = 130;
N = 100, F(N) = 10210;
N = 1000, F(N) = 1002010;
在上面这个程序中,我们计算的时间复杂度是一个精确的执行次数,但往往在实际中,我们并不需要如此,我们只需要得到大概的执行次数就好啦,这里我们同常用到大O渐进表示法.

大O符号(Big O notation):是用于描述函数渐进行为的数学符号

推导大O阶的方法:
1.用常数1取代运行时间中的所有加法常数
2.在修改后的运行次数函数中,只需保留最高阶项
3.如果最高阶项存在并且不是1,则把与这个项相乘的常数去掉,这样就得到了大O阶.

利用上面的基本操作次数的函数来理解上面的大O阶推导

F(N) = N ^ 2 + 2 * N + 10
第一步,用1取代所有加法常数,变为
F(N) = N ^ 2 + 2 * N + 1
第二部,只保留最高阶项,变为
F(N) = N ^ 2
第三部,我们看到这个最高阶项并不是1,也不存在与这个项相乘的常数,所以上述Func1的时间复杂度为 O(N^2)

通过上面的大O渐进表示法,我们可以发现,这种方法其实是去掉了对结果影响不大的项.

关于算法的时间复杂度的最好,最坏,和平均情况.
最好情况:不管输入的规模多大,所需要的最小运行次数
最好情况:不管输入的规模多大,所需要的最大运行次数
平均情况:任意输入规模的期望运行次数

举个简单的例子,假如我们现在需要再一个长度为N的数组中去搜索一个数据x,那么最好,最坏和平均情况分别为
最好情况:1次找到
最坏情况:N次找到
平均情况:N/2次找到

在实际情况中,我们一般情况下关注的是算法的最坏运行情况,也就是说上述在数组中搜索一个数据的时间复杂度为O(N)