如何才能评价一个算法效率,我们往往通过时间复杂度和空间复杂度来描述。
一、时间复杂度
由于在不同的硬件设备,不同的软件系统的环境下,我们很难准确地描述一个程序具体运行的时间,所以我们提出了一个时间复杂度的概念来描述一个程序的时间效率。
一个语句的频度指这个语句在算法中被重复执行的次数。算法中所有语句的频度值和记为T(n)
在下面的语句中,我们可以看到这段代码中++count所执行的次数为+2*N+10次
N = 10 F(N) = 130
N = 100 F(N) = 10210
N = 1000 F(N) = 1002010
在N逐渐变大时,影响我们执行次数的数据主要是,所以我们可以认为这段代码的时间复杂度为T(n)=O(
)
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);
}
在计算时间复杂度的时候,我们不需要精确地计算算出这个程序中语句执行的精确次数,只需要估算出大概的执行次数即可。这里我们可以采用大O渐进法来描述时间复杂度
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
算法的时间复杂度不仅仅取决于算法本身,还可能取决于所输入的数据。
比如在下面的代码中我们在一个长度为100的数组a中查找数据值为10的元素,但是由于我们的a数组中所含的元素具有极大的随机性,所以我们所要查找的数据10可能是在第一个,也可能是在最后一个。
for (int i=0;i<N;i++)
{
printf("%d",a[i]);
if(a[i]==10)
{
printf("%d",i);
break;
}
}
此时,我们引入下面的概念:
最坏时间复杂度:指在最坏的情况下,算法的时间复杂度
最好时间复杂度:指在最好的情况下,算法的时间复杂度
平均时间复杂度:是指所有可能输入实例等概率出现的情况下,算法的期望运行时间。
所以对于上面的算法,我们的三种时间复杂度分别是:
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
一般总是考虑在最坏情况下的时间复杂度,以保证算法的运行时常不会比它更长
在分析一个程序的时间复杂性时,有以下两条规则:
1)加法规则
T(n)=T1(n)+T2(n)=O(f(n))+O(g(n))=O(max(f(x),g(n)))
即多项相加只保留最高次数的项
2)乘法规则
T(n)=T1(n)×T2(n)=O(f(n))×O(g(n))=O(f(x)×g(n))
多项相乘都保留
常见的渐进时间复杂度为:
O(1)<O()<O(n)<O(n
)<O(
)<O(
)<O(
)<O(n!)<O(
)
二、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。
算法原地工作是指算法所需的辅助空间为常量,即O(1)
在计算机发展的初期,由于存储的空间有限,需要考虑空间复杂度,但随着计算机的发展,计算机的存储容量迅速增加,空间复杂度不再受到太多的关注。我们更多的是关注算法的时间复杂度。