一、算法复杂度

最新推荐文章于 2024-06-14 05:45:37 发布

一只雯哈哈

最新推荐文章于 2024-06-14 05:45:37 发布

阅读量50

点赞数

分类专栏：【数据结构与算法】文章标签： leetcode 数据结构算法

版权

1 篇文章 0 订阅

订阅专栏

算法复杂度旨在计算在输入数据量 N 的情况下，算法的「时间使用」和「空间使用」情况；体现算法运行使用的时间和空间随「数据大小 N 」而增大的速度。

算法复杂度主要可从时间、空间两个角度评价：

「输入数据大小 N 」指算法处理的输入数据量；根据不同算法，具有不同定义，例如：

根据定义，时间复杂度指输入数据大小为 N 时，算法运行所需花费的时间。需要注意：

统计的是算法的「计算操作数量」，而不是「运行的绝对时间」。计算操作数量和运行绝对时间呈正相关关系，并不相等。算法运行时间受到「编程语言、计算机处理器速度、运行环境」等多种因素影响。例如，同样的算法使用 Python 或 C++ 实现、使用 CPU 或 GPU 、使用本地 IDE 或力扣平台提交，运行时间都不同。
体现的是计算操作随数据大小 N 变化时的变化情况。

根据输入数据的特点，时间复杂度具有「最差」、「平均」、「最佳」三种情况，分别使用 O , Θ , Ω 三种符号表示。

根据从小到大排列，常见的算法时间复杂度主要有：

O(1) < O(logN) < O(N) < O(NlogN) < O(N^2) < O(2^N) < O(N!)

常数 O(1) ：运行次数与 N 大小呈常数关系，即不随输入数据大小 N 的变化而变化。

线性 O(N) ：运行次数与 N 大小呈线性关系，时间复杂度为 O(N) 。

平方 O(N^2) ：两层循环相互独立，都与 N 呈线性关系，因此总体与 N 呈平方关系，时间复杂度为 O(N^2) 。

指数 O(2^N) ：生物学科中的 “细胞分裂” 即是指数级增长。初始状态为 11 个细胞，分裂一轮后为 22 个，分裂两轮后为 4 个，……，分裂 N 轮后有 2^N 个细胞。算法中，指数阶常出现于递归。

阶乘 O(N!) ：阶乘阶对应数学上常见的 “全排列” 。即给定 N 个互不重复的元素，求其所有可能的排列方案，则方案数量为：N×(N−1)×(N−2)×⋯×2×1=N! 阶乘常使用递归实现，算法原理：第一层分裂出 N 个，第二层分裂出 N−1个，…… ，直至到第 N 层时终止并回溯。

对数 O(logN) ：对数阶与指数阶相反，指数阶为 “每轮分裂出两倍的情况” ，而对数阶是 “每轮排除一半的情况” 。对数阶常出现于「二分法」、「分治」等算法中，体现着 “一分为二” 或 “一分为多” 的算法思想。

线性对数 O(NlogN) ：两层循环相互独立，第一层和第二层时间复杂度分别为 O(logN) 和 O(N) ，则总体时间复杂度为O(NlogN) ;线性对数阶常出现于排序算法，例如「快速排序」、「归并排序」、「堆排序」等。

空间复杂度涉及的空间类型有：

通常情况下，空间复杂度指在输入数据大小为 N 时，算法运行所使用的「暂存空间」+「输出空间」的总体大小。

而根据不同来源，算法使用的内存空间分为三类：

指令空间：编译后，程序指令所使用的内存空间。
数据空间：算法中的各项变量使用的空间，包括：声明的常量、变量、动态数组、动态对象等使用的内存空间。
栈帧空间：程序调用函数是基于栈实现的（🤔️？？？），函数在调用期间，占用常量大小的栈帧空间，直至返回后释放。（返回后就释放空间）。算法中，栈帧空间的累计常出现于递归调用。通过递归调用，会同时存在 N 个未返回的函数，此时累计使用 O(N) 大小的栈帧空间。

通常情况下，空间复杂度统计算法在 “最差情况” 下使用的空间大小，以体现算法运行所需预留的空间量，使用符号 O 表示。最差情况包含了两层含义，分别为「最差输入数据」情况、算法运行中的「最差运行点」情况。（总之，要考虑到最坏情况，预留出最充分的空间）

根据从小到大排列，常见的算法空间复杂度有：