目录
常见复杂度对比表
一、算法效率
算法在编写成可执行程序后,运行时需要耗费时间资源和空间
(
内存
)
资源 。因此
衡量一个算法的好坏,一般
是从时间和空间两个维度来衡量的
,即时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法的运行快慢,而空间复杂度主要衡量一个算法运行所需要的额外空间
。
在计算 机发展的早期,计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展,计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度
二、时间复杂度
1.概念
在计算机科学中,
算法的时间复杂度是一个函数
,它定量描述了该算法的运行时间。
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。
即:
找到某条基本语句与问题规模N之间的数学表达式,就是算出了该算法的时间复杂度
计算一下
Func1
中
++count
语句总共执行了多少次?
void Func1(int N) {
int count = 0;
for (int i = 0; i < N ; ++ i) {
for (int j = 0; j < N ; ++ j)
{
++count;
}
}
for (int k = 0; k < 2 * N ; ++ k) {
++count; }
int M = 10;
while (M--) {
++count; }
printf("%d\n", count);
}
Func1
执行的基本操作次数为:
N = 10 F(N) = 130
N = 100 F(N) = 10210
N = 1000 F(N) = 1002010
实际中我们计算时间复杂度时,我们其实并不一定要计算精确的执行次数,而只需要
大概执行次数,那么这
里我们使用大
O
的渐进表示法
2.大O的渐进表示法
大
O
符号(
Big O notation
):是用于描述函数渐进行为的数学符号。
推导大
O
阶方法:
1
、用常数
1
取代运行时间中的所有加法常数。
2
、在修改后的运行次数函数中,只保留最高阶项。
3
、如果最高阶项存在且不是
1
,则去除与这个项目相乘的常数。得到的结果就是大
O
阶。 使用大O
的渐进表示法以后,
Func1
的时间复杂度为:
N = 10 F(N) = 100
N = 100 F(N) = 10000
N = 1000 F(N) = 1000000
通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项,简洁明了的表示出了执行次数。
另外有些算法的时间复杂度存在最好、平均和最坏情况:
最坏情况:任意输入规模的最大运行次数
(
上界
)
平均情况:任意输入规模的期望运行次数
最好情况:任意输入规模的最小运行次数
(
下界
)
例如:在一个长度为
N
数组中搜索一个数据
x
最好情况:
1
次找到
最坏情况:
N
次找到
平均情况:
N/2
次找到
在实际中一般情况关注的是算法的最坏运行情况,所以数组中搜索数据时间复杂度为
O(N)
3.常见时间复杂度计算的八个例子
1.
void Func2(int N) {
int count = 0;
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
F = 2N + M //
最高阶项存在且不是
1
,则去除与这个项目相乘的常数。
时间复杂度为
O(N)
2.
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;
}
printf("%d\n", count);
}
F = M + N
//阶数相同,不能确定谁对结果的影响大,所以都要留下来,如果告诉你N远大m。则为O(N)
时间复杂度为O(N + M)
3.
void Func4(int N) {
int count = 0;
for (int k = 0; k < 100; ++ k)
{
++count;
}
printf("%d\n", count);
}
F = 100 //常数1取代运行时间中的所有加法常数
O(1)就是常数次,10000和100在这里没有区别
时间复杂度为O(1)
4.
const char * strchr ( const char * str, int character );
在一串字符串中去找一个值
最好情况1次,最坏N次
一般情况关注的是算法的最坏运行情况,时间复杂度为O(N)
5.
// 计算BubbleSort的时间复杂度?
void BubbleSort(int* a, int n) {
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i-1] > a[i])
{
Swap(&a[i-1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
这是一个冒泡排序
F = N-1 + N-2 + ... + 2 + 1= (N * (N-1))/2
时间复杂度 O(N^2)
6.
int BinarySearch(int* a, int n, int x) {
assert(a);
int begin = 0;
int end = n-1;
while (begin < end)
{
int mid = begin + ((end-begin)>>1);
if (a[mid] < x)
begin = mid+1;
else if (a[mid] > x)
end = mid;
else
return mid;
}
return -1; }
二分查找法,每次找中间那个数子,相同就找到,不同就缩减一半继续二分查找
最好情况一次找到:O(1)
最坏情况:假设共N个数,每次查找都二分一次,二分了x次到最后才找到
N/2/2/2..../2=1 那么 2^x=N x=
也即是:F=
时间复杂度 O(logN)次
7.
// 计算阶乘递归Fac的时间复杂度?
long long Fac(size_t N) {
if(0 == N)
return 1;
return Fac(N-1)*N; }
递归算法的时间复杂度 = 递归次数 * 每次递归函数中的次数
时间复杂度 O(N)
8.
// 计算斐波那契递归Fib的时间复杂度?
long long Fib(size_t N) {
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}
时间复杂度为
O(2^N)
。
(画图递归栈帧的二叉树)
三、空间复杂度
空间复杂度也是一个数学表达式,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
。
空间复杂度
不是程序占用了多少bytes的空间
,因为这个也没太大意义,所以空间复杂度算的是变量的个数。
空间复杂度计算规则基本跟实践复杂度类似,也使用
大
O
渐进表示法
。
注意:
函数运行时所需要的栈空间
(
存储参数、局部变量、一些寄存器信息等
)
在编译期间已经确定好了,因
此
空间复杂度主要通过函数在运行时候显式申请的额外空间来确定
因为现在社会硬件发展比较好,实际应用中不过多关注空间复杂度
注意:
不考虑输入的数组,考虑的是算法运行中额外的空间
时间是累计的,空间不累计可以复用,释放了就没了
下面举三个例子
1.
// 计算BubbleSort的空间复杂度?
void BubbleSort(int* a, int n) {
assert(a);
for (size_t end = n; end > 0; --end) //size_t end 1个
{
int exchange = 0; //1个
for (size_t i = 1; i < end; ++i) //size_t i 1个
{
if (a[i-1] > a[i])
{
Swap(&a[i-1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
空间复杂度:0(1)
例2
// 计算Fibonacci的空间复杂度?
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n) {
if(n==0)
return NULL;
long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray; }
malloc开了 (n+1)
开了 int i
最终空间复杂度 0(N)
3.
// 计算阶乘递归Fac的空间复杂度?
long long Fac(size_t N) {
if(N == 0)
return 1;
return Fac(N-1)*N; }
递归调用了
N
次,开辟了
N
个栈帧,每个栈帧使用了常数个空间。空间复杂度为
O(N)