当谈到算法复杂度时,通常指的是算法在输入规模增加时所需的资源(如时间和空间)的增长速度。算法复杂度是评估算法效率的一种方式。
算法复杂度通常分为时间复杂度和空间复杂度两种。
时间复杂度:用于评估算法运行效率的一个式子。
一般常见的有:
- 常数时间复杂度:O(1)
- 对数时间复杂度:O(log n)
- 线性时间复杂度:O(n)
- 线性对数时间复杂度:O(n log n)
- 平方时间复杂度:O(n^2)
- 立方时间复杂度:O(n^3)
- 指数时间复杂度:O(2^n)
- 阶乘时间复杂度:O(n!)
一. 先介绍常数阶: O(1)
print("Hello world") # n = 1 执行一次
print("Hello world")
print("Hello world")
print("Hello world") # 无论我这边print几次,他都是 O(1)
一个print O(1), 那三个print不是O(3)吗?
只要他的规模不上升到O(n)那么大时,他都是O(1), 换句话说,1是个单位,我们表示的是个近似的,而不是一个很精确的。
二. 再介绍平方阶: O(
)
for i in range(n):
print('Hello world')
for j in range(n):
print('Hello world') # 这边是O(n^2)
为什么这里不是 , 而是
你就这样看, 是不是一个单位,
是不是一个单位,
比他大,所以
。
因为这边我们不知道 n 等于几,所以 O(n), 双for就平方,三for就立方等等。
三. 再介绍一个对数阶
while n > 1:
print(n)
n = n//2
依次输出:
64
32
16
8
4
2 输出6次
时间复杂度记为
或
.
所以当算法过程中出现循环折半的时候,复杂度式子会出现 logn.
小结:
1.时间复杂度用来估计算法运行时间的一个式子(单位).
2. 常见时间复杂度 (按效率排序)
O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^2logn)<O(n^3)
3.一般来说,时间复杂度高的算法比复杂度低的算法慢。
4. 复杂问题的时间复杂度
O(n!), O(2^n), O(n^n).....
如何简单快速地判断算法复杂度
以下适用于绝大多数情况:
1.确定问题规模n
2.循环减半过程 --- logn
3. k层关于n的循环 ---
4. 复杂情况:根据算法执行过程判断
空间复杂度:用来评估算法内存占用大小的式子。
是一个算法在运行过程中临时占用存储空间大小的度量。
空间复杂度的表示方法与时间复杂度完全一样。
1.算法使用了几个变量: O(1)
2.算法使用了长度为n的一维列表: O(n)
3.算法使用了m行n列的二维列表: O(mn)
在研究一个算法的时候,我们都说,时间比空间重要。
所以大部分算法都有一个规则就是: 空间换时间, 宁愿多占些内存,也要让他运行更快。