目录
上期回顾
this
this:表示当前对象的引用this 关键字能否出现在静态方法中?
一定存在对象才有this,静态方法根本就不存在对象,何来当前对象之说
代码块
当类中存在静态变量,静态代码块[1…N]
则在类加载时,这些静态变量的赋值以及静态代码块,最终都会合并为一个大的静态代码块,由JVM执行。
时间和空间复杂度分析
1. 算法效率
算法效率分为两种:第一种是时间效率,第二种是空间效率。时间效率被称为时间复杂度,空间效率被称作空间复杂度。时间复杂度主要衡量的是一个算法的运行速度,空间复杂度主要衡量一个算法所需要的额外空间,一般来说,行数越多(循环和递归),时间越长。
一个算法所花费的时间与其中语句的执行次数成正比例,算法中的基本操作的执行次数,为算法的时间复杂度。
void func1(int N){
int count = 0;
for(int i = 0; i < N ; i++){
for(int j = 0; j < N; j++){ //N^2
count++;
}
}
for(int k = 0; k < 2 * N ; k++){ //2N
count++;
}
int M = 10;
while((M--) > 0) { //10
count++;
}
}
f u n c 1 执 行 的 基 本 操 作 次 数 : F ( N ) = N 2 + 2 N + 10 func1执行的基本操作次数:F(N)=N^2+2N+10 func1执行的基本操作次数:F(N)=N2+2N+10
2. 大O渐进表示法
O() -> 是一个函数渐进的数学符号
大O阶函数的推导原则:
- 用常数1来表示所有的加法常数 10, 2 => 1
- 最后的大O函数只保留最高阶想,只保留N2
- 若最高阶项还有系数, 3N2, 4N2, 去除这个系数,保留1即可 -> N2
只要代码的执行 行数 不是个变量,100行,1000行,10000行,我们都认为这是O(1) ==>常数时间内的算法
3. 算法运行时间
最坏的时间复杂度 任意输入规模的最大运行次数(上界)
最好情况的时间复杂度 任意输入规模的最小运行次数(下界)
平均情况的时间复杂度 任意输入规模的期望运行次数
最坏的情况:O(n)
最好的情况:O(1)
平均情况:所有情况/情况的个数
1+2+3+…+n = (n+1)*n/2 = > 所有情况 除以情况个数n => (n+1)/2 => 只保留最高阶 => n/2
情况的个数n n/2 , 去除系数==>O(n)
时间复杂度
例题
计算func3的时间复杂度
//计算func3的时间复杂度
void func3(int N, int M){
int count = 0;
for(int k = 0; k < M; k++){
count++;
}
for(int k = 0; k < N; k++){
count++;
}
System.out.println(count);
}//此时M和N都是变量,无法确定谁大谁小,时间复杂度就是O(M+N)
计算func4的时间复杂度
void func4(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {
count++;
}
System.out.println(count);
}//此时这个变量N不影响循环的次数 O(1)
计算bubblesort的时间复杂度
void bubblesort(int[] array) {
for (int end = array.length; end > 0; end++) {
boolean sorted = true;
for (int i = 1; i < end; i++) {
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false;
}
}
if(sorted ==true){
break;
}
}
}//O(n * n = n^2)
计算binarySearch的时间复杂度?
// 计算binarySearch的时间复杂度?
int binarySearch(int[] array, int value) {
int begin = 0;
int end = array.length - 1;
while (begin <= end) {
int mid = begin + ((end-begin) / 2);
if (array[mid] < value)
begin = mid + 1;
else if (array[mid] > value)
end = mid - 1;
else
return mid;
}
return -1;
}
千万不要看见循环就是O(n),要看这个循环下次开始条件是啥
再下一次循环开始的时候,循环的起始或者终止就变成了区间的一半
n/2/2/2==1最终求到底执行了多少次除法操作
log2N => 换底公式:logNM = logcM / logcN
O(logn) => 对数时间复杂度,与底数无关
任意算法,若是不断除以任何数字,最终等于0或者1,这个算法的执行次数就是O(logn)
计算阶乘递归factorial的时间复杂度?
// 计算阶乘递归factorial的时间复杂度?
long factorial(int N) {
return N < 2 ? N : factorial(N-1) * N;
}
一个递归函数的时间复杂度,要把这个递归函数展开,看一下递归的次数与变量N的关系
N
∗
N
−
1
∗
N
−
2
∗
.
.
.
∗
1
=
>
乘
了
N
次
。
执
行
N
次
,
O
(
N
)
N * N - 1 * N - 2 * ... * 1 => 乘了N次。执行N次,O(N)
N∗N−1∗N−2∗...∗1=>乘了N次。执行N次,O(N)
计算斐波那契递归fibonacci的时间复杂度?
// 计算斐波那契递归fibonacci的时间复杂度?
int fibonacci(int N) {
return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2);
}
f i b o ( n ) = f i b o ( n − 1 ) + f i b o ( n − 2 ) fibo(n) = fibo(n-1) + fibo(n-2) fibo(n)=fibo(n−1)+fibo(n−2)
等
比
数
列
求
和
:
S
n
=
a
1
−
a
n
q
1
−
q
等比数列求和:S~n~ = \frac{a_1 - a_nq}{1-q}
等比数列求和:S n =1−qa1−anq
运用等比公式求得总共方块个数为 2n-1 个方块,时间复杂度为O(2n)
重点
重 点 掌 握 O ( 1 ) O ( N ) O ( N 2 ) O ( l o g n ) 一 个 算 法 一 般 来 说 只 需 要 看 循 环 就 行 重点掌握\quad O(1)\quad O(N)\quad O(N^2) \quad O(log\space n)\space 一个算法一般来说只需要看循环就行 重点掌握O(1)O(N)O(N2)O(log n) 一个算法一般来说只需要看循环就行
空间复杂度
所谓的空间复杂度指的是算法在执行过程中”额外“开辟的内存空间!!!
判断方法
就看算法中有没有额外开辟“数组”空间 new一个数组
一般对象也是O(1)
for (int i = 0; i < 10; i++) {
for (int i = 0; i < 100; i++) {//变量变的是值不是内存
}
}
变量变的是值不是内存
所以还是O(1)
例题
计算bubbleSort的空间复杂度?
// 计算bubbleSort的空间复杂度?
void bubbleSort(int[] array) {//这是外部传入的数组,不是算法自己产生的数组,不算空间复杂度的一部分
for (int end = array.length; end > 0; end--) {
boolean sorted = true;
for (int i = 1; i < end; i++) {
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false; }
}
if (sorted == true) {
break;
}
}
}
计算fibonacci的空间复杂度?
// 计算fibonacci的空间复杂度?
int[] fibonacci(int n) {
long[] fibArray = new long[n + 1];
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n; i++) {
fibArray[i] = fibArray[i - 1] + fibArray[i - 2];
}
return fibArray;
}
长度为n+1的long数组
这个数组就是存储从1,…n的斐波那契数
这个算法的空间复杂度为 O(N)
计算阶乘递归Factorial的空间复杂度?
// 计算阶乘递归Factorial的空间复杂度?
long factorial(int N) {
return N < 2 ? N : factorial(N - 1) * N;
}
每次函数的调用过程,就对应一个函数的“栈帧”在栈中的入栈过程,递归函数调用几次,就需要开辟多少个栈帧空间,每个栈帧使用了常数个空间。空间复杂度为O(N)
计算test的空间复杂度
public void test(int n) {
if (n == 1) {
return;
}
int[] data = new int[n];
test(n--);
}
O(N2):总共执行了N次,每个函数的内部都会开辟大小为n的数组,乘起来就是N2
开辟N个栈帧,在每个栈帧里每次都开辟大小为N的整形数组
就是方法中有没有额外开辟空间的问题
-
就定义了几个临时变量,O(1)
-
定义了一堆变量,且这些变量的个数与N有关,int[] data = new int[n] => O(N)
总结
空间复杂度99%就两种:
O
(
1
)
和
O
(
N
)
O(1)\quad 和\quad O(N)
O(1)和O(N)