01算法的时间复杂度和空间复杂度

大浪2333333

于 2022-07-06 22:01:34 发布

阅读量272

点赞数

分类专栏：数据结构和算法（入门）文章标签：算法数据结构

本文链接：https://blog.csdn.net/weixin_51987551/article/details/125647353

版权

2 篇文章 1 订阅

订阅专栏

程序=数据结构+算法

数据结构是计算机存储、组织数据的方式，是指相互之间存在一种或多种特定关系的数据元素的集合。算法是一系列解决问题的清晰指令，代表着用系统的方法描述解决问题的策略机制。也就是说，它能够对一定规范的输入，在有限时间内获得所要求的输出。

时间复杂度

算法的时间复杂度表示该算法的运行时间，通常用程序计算的次数来表示，并且因为它只是一个约数，所以一般只保留计算次数表达式中最大的量级。

例如：

print('hello world')

打印出这一字符串需要进行一次计算，所以算法的时间复杂度为O（1）.

for i in range(n):
    for j in range(n):
        for k in range(n):
            print('hello world')

在这一段程序中，每遍历1次i，就要遍历n次j；每遍历1次j，就要遍历n次k。

因此，当i被遍历n次时，j被遍历 $n^{2}$ 次，k被遍历 $n^{3}$ 次，算法会打印 $n^{3}$ 遍“hello world”，复杂度为O（ $n^{3}$ ）。

那么问题来了，下面的代码：

print('hello world')
print('hello python')
print('hello pycharm')

这段代码需要进行3次计算，那么时间复杂度是O(3)吗？

并非如此。

因为时间复杂度是一个单位，计算机运行3次和运行1次的差别微乎其微，因此只要在这个单位中保留最大的量级即可。

只要是常数次计算，时间复杂度仍旧记为O（1）.

同理，下面的代码

for i in range(n):
    print('hello world')
    for j in range(n):
        print('hello world')

在这段程序中，每遍历1次i，系统就要执行1次运算，之后遍历n次j，执行n次运算。

因此每遍历n次i，系统就要执行n次运算，之后遍历 $n^{2}$ 次j，执行 $n^{2}$ 次运算。

系统的运算次数为 $n+n^{2}$ ，但是时间复杂度只保留大的量级，因此它的时间复杂度记为O（ $n^{2}$ ）。

当算法中出现循环折半时，算法的时间复杂度标记中一定有O（logn），计算机中的logn通常都是以2为底，此处省略2.这是一种时间复杂度很低的算法，编写程序的时候如果应该尽量使其出现。

 while n>1:
     print(n)
     n=n//2

此处一直将n进行折半计算。假设运行了k次，则可知 $2^{k}$ ≈n，k≈0（logn），因此算法复杂度为O（logn）。

在不同的时间复杂度量级中，O(1)<O(logn)<O(n)<O( $n^{2}$ )<O( $n^{2}$ logn)<O( $n^{3}$ )

而对于时间复杂度为O（n！），O（ $2^{n}$ ），O（ $n^{n}$ ）的程序而言,这样的时间复杂度是计算机不能承受的，对应的问题被称为“NP-HARD”问题，需要经过非精确算法求解。

空间复杂度

与时间复杂度用来评估算法运行时间对应的，空间复杂度用来评估算法占用内存的大小。

例如，

生成几个变量，算法的时间复杂度为O(1);

生成长度为n的一维列表，算法的时间复杂度为O(n）；

生成m行n列的列表，算法的时间复杂度为O（nm）。

在计算机存储技术充分发展的今天，算法时间复杂度的重要性相比以往计算机只有500M内存的年代已经大打折扣。当今的算法设计的一个重要理念是“以空间换时间”。

关注

专栏目录