时间频度:一个算法花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,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)
时间复杂度
1)
一
般情况下,算法中的基本操作语句的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
趋近于无穷大时,
T(n) / f(n)
的极限值为不等于零的常数,则称
f(n)
是
T(n)
的同数量级函数。记作
T(n)=
O
( f(n) )
,称O
( f(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。 如:
T(n)=
n²+7n+6
与
T(n)=
3n²+2n+2
它们的
T(n)
不同,但时间复杂度相同,都为
O(n²)
。
3)
计
算时间复杂度的方
法:
●
•
用常数
1
代替运行时间中的所有加法常数
T(n)=n²+7n+6
=>
T(n)=
n²+7n+1
•
修改后的运行次数函数中,只保留最高阶项
T(n)=
n²+7n+1 => T(n) = n²
•
去除最高阶项的系
数
T(n) =
n²
=> T(n) = n² => O(
n²
)
常见的时间复杂度
1)常数阶O(1)
无论代码执行了多少行,只要是没有循环等复杂结构,那这个代码的时间复杂度就都是O(1)
上述代码在执行的时候,它消耗的时候并不随着某个变量的增长而增长,那么无论这类代码有多长,即使有几万几十万行,都可以用O(1)来表示它的时间复杂度。
2)对数阶O(log2n)
说明:在while循环里面,每次都将 i 乘以 2,乘完之后,i 距离 n 就越来越近了。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,这个代码就结束了。因此这个代码的时间复杂度为:O(log2n) 。 O(log2n) 的这个2 时间上是根据代码变化的,i = i * 3 ,则是 O(log3n) .
3)线性阶O(n)
说明:这段代码,for循环里面的代码会执行n遍,因此它消耗的时间是随着n的变化而变化的,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)
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,那么它的时间复杂度就是 n * O(logN),也就是了O(nlogN)
5)平方阶O(n²)
说明:平方阶O(n²) 就更容易理解了,如果把 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n循环,它的时间复杂度就是 O(n*n),即 O(n²) 如果将其中一层循环的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,其它的类似
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
坏情况下的时间复杂度称最坏时间复杂度。一般讨论的时间复杂度均是最坏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
(
如图
:)
。
空间复杂度简介
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
(Space 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与解决问题的规模
n
有关,它随着
n
的增大而增大,当
n
较大时,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)
在做算法分析时,
主要讨论的是时间复杂度
。从用户使用体验上看,更看重的程序执行的速度。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
.