一、为何分析
1. 指导你编写出性能更优的代码。
2. 评判别人写的代码的好坏。
二、时间复杂度分析
1.时间复杂度
时间复杂度分析:来评估代码的执行耗时的。
public int sum(int n) {
int sum = 0;
for (int i = 1; i <= n; i++) {
sum = sum + i;
}
return sum;
}
1. 假如每行代码的执行耗时一样:1ms。
2. 分析这段代码总执行多少行?可以分析这段代码,其中int sum=0,int i=1,return sum,这三行代码是只会执行一次,但是由于变量n的不确定,所以这三行代码i<=n,i++,sum=sum+i,会导致循环的次数不同,所以是执行3n次。
3. 代码耗时总时间: T(n) = (3n + 3) * 1ms。
2.大O表示法
1. 大O表示法:不具体表示代码真正的执行时间,而是表示代码执行时间随数据规模增长的变化趋势。
2. T(n)与代码的执行次数成正比(代码行数越多,执行时间越长)。
3. 当n很大时,公式中的低阶,常量,系数三部分并不左右其增长趋势,因此可以忽略,我们只需要记录一个最大的量级就可以了。
所以,最后表示上面代码的时间复杂度是O(n)。
3.常见复杂度表示形式
速记口诀:常对幂指阶。
4.例题
(1)常数
public int test01(int n) {
int i = 0;
int j = 1;
return i + j;
}
public void test02(int n) {
int i = 0;
int sum = 0;
for (; i < 100; i++) {
sum = sum + i;
}
System.out.println(sum);
}
test01函数中的n并不会影响代码执行次数,也就是执行3次,所以就是O(1)。test02函数中,循环的次数是固定的,并没有因为n而变化,所以也是O(1)。
总结:只要代码的执行时间不随着n的增大而增大,这样的代码复杂度都是O(1)。
(2)对数
public void test03(int n) {
int i = 1;
while (i <= n) {
i = i * 2;
}
}
public void test04(int n) {
int i = 1;
while (i <= n) {
i = i * 10;
}
}
test03函数中因为i会变化,所以执行的次数是由i和n一起决定的,i=n时就是执行的最后一次。我们给出如下图所示,可以得出,x代表执行的次数,所以可以得出,由以上分析可知,代码的时间复杂度表示为O()。test04也是一样,只是底数不同,但是表示的都是一样是O()。
(3)幂数
public int sum1(int n) {
int sum = 0;
for (int i = 1; i <= n; i++) {
sum = sum + i;
}
return sum;
}
public int sum2(int n) {
int sum = 0;
for (int i = 1; i <= n; ++i) {
for (int j = 1; j <= n; ++j) {
sum = sum + i * j;
}
}
return sum;
}
前面最开始的例题讲解过,sum1时间复杂度也就是O(n),sum2由于是双重循环,并且循环的次数都与n有关,得出O(),由于主要是受高阶影响,所以是O()。
(4)线性对数
public void test05(int n) {
int i = 0;
for (; i <= n; i++) {
test06(n);
}
}
public void test06(int n) {
int i = 1;
while (i <= n) {
i = i * 2;
}
}
由前面的题目可以知道,test06时间复杂度是O()。由于test05函数中的test06(n)是在循环体里面,所以test05时间复杂度就是两者相乘,所以是O()。
三、空间复杂度
空间复杂度全称是渐进空间复杂度,表示算法占用的额外存储空间与数据规模之间的增长关系。
public void test(int n) {
int i = 0;
int sum = 0;
for (; i < n; i++) {
sum = sum + i;
}
System.out.println(sum);
}
public void print(int n) {
int i = 0;
int[] a = new int[n];
for (i; i < n; ++i) {
a[i] = i * i;
}
for (i = n - 1; i >= 0; --i) {
System.out.println(a[i]);
}
}
test函数sum变量已经定义好了4个字节,不会在变了,所以空间复杂度是O(1)。
print函数定义了a数组,但是数组的大小是由n决定的,所以空间复杂度是O(n)。
我们常见的空间复杂度就是O(1),O(n),O(n ^2),其他像对数阶的复杂度几乎用不到,因此空间复杂度比时间复杂度分析要简单的多。
四、总结
1. 什么是算法时间复杂度?
时间复杂度表示了算法的执行时间与数据规模之间的增长关系。
2. 常见的时间复杂度有哪些?
具体看上面图。
3. 什么是算法空间复杂度?
表示算法占用的额外存储空间与数据规模之间的增长关系。