目录
什么是数据结构?
数据结构 (Data Structure) 是计算机存储、组织数据的方式,指相互之间存在一种或多种特定关系的数据元素的集合。
什么是算法?
算法 (Algorithm): 就是定义良好的计算过程,他取一个或一组的值为输入,并产生出一个或一组值作为输出。简单来说算法就是一系列的计算步骤,用来将输入数据转化成输出结果。
算法的复杂度
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。
时间复杂度
时间复杂度的定义: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。一个算法执行所耗费的时间,从理论上说,是不能算出来的,只有你把你的程序放在机器上跑起来,才能知道。但是我们需要每个算法都上机测试吗?是可以都上机测试,但是这很麻烦,所以才有了时间复杂度这个分析方式。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。
下面一道题目可以进一步了解如何计算
// 请计算一下Func1中++count语句总共执行了多少次?
#include<stdio.h>
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);
}
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。
因此Func1的时间复杂度应该为 O(N^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) = 100N = 100 F(N) = 10000N = 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)
常见时间复杂度计算举例
实例1:
// 计算Func2的时间复杂度?
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);
}
实际计算为 2*N+10 ,但是我们表示时间复杂度一般用大O的渐进表示法,所以最后计算结果为 O(N)
计算计算复杂度时要加入极限的思考方式
实例2:
// 计算Func3的时间复杂度?
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);
}
实际为O(M+N),用大O的渐进表示法 -- 当 M 远大于N O(M)
-- 当 N 远大于M O(N)
-- 当 N 与 M 一样大 O(N)或者O(M)
实例3:
// 计算Func4的时间复杂度?
void Func4(int N) {
int count = 0;
for (int k = 0; k < 100; ++ k)
{
++count;
}
printf("%d\n", count);
}
实际为O(100) 但是大O的渐进表示法 -- O(1)
-- 这里的1不是代表一次,而是代表常数次
现在的计算机的计算能力都十分的强大了,一般的常数(即使它确实很大)都可以很快的运算出来
实例4:
// 计算strchr的时间复杂度?
const char * strchr ( const char * str, int character );
这是一个在字符串中寻找字符的函数,和 strstr 很相似
最好的情况:开始就找到了,第1次就找到了
最坏的情况:没找到,要找N次
平均的情况:N/2次找到
但是我们这里取 O(N) -- 因为我们计算时间复杂度的时候倾向于最坏的情况
实例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;
}
}
符合一个等差数列
1+2+3+……+N-1 = N*(N-1)/2 -- 计算得出还是可以得到 一个 O(N^2)
实例6:
// 计算BinarySearch的时间复杂度?
int BinarySearch(int* a, int n, int x) {
assert(a);
int begin = 0;
int end = n-1;
// [begin, end]:begin和end是左闭右闭区间,因此有=号
while (begin <= end)
{
int mid = begin + ((end-begin)>>1);
if (a[mid] < x)
begin = mid+1;
else if (a[mid] > x)
end = mid-1;
else
return mid;
}
return -1; }
在计算时间复杂度的时候千万不能只看循环,要实际的计算出来,比如这里的二分查找
在二分查找中每次的查找都会缩小1/2的查找空间,因此为O(logN)
实例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;
}
在这里一共递归调用了N次 -- O(N)
//修改版
long long Fac(size_t N)
{
for (size_t i = 0; i < N; ++i)
{
printf("%d\n", i);
}
if (0 == N)
return 1;
return Fac(N - 1) * N;
}
N + N-1 + N-2 …… 2 + 1 -- 等差数列 因此为 O(N^2)
实例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);
}
每次得出一个数都要前两个数相加 2^0+2^1+2^2+……2^(n-1) = 2^n-1 -- 这是一个等比数列
这是一个效率非常低的算法 -- 达到了 O(2^N)
当N为以下的值时
N 10 1024
N 20 100w -- 估算
N 30 10亿
N 40 1万亿 -- 这是一个巨大的数字了,以现在的计算机的能力来看,这是个很差的算法
优化后
//优化后 //O(N)
long long Fib(size_t N)
{
if (N < 3)
return 1;
long long f1 = 1, f2 = 1, f3;
for (size_t i = 3; i <= N; i++)
{
f3 = f1 + f2;
f1 = f2;
f2 = f3;
}
return f3;
}
这个时候的时间复杂度就变成了 O(N)
综上所述
1. 实例 1 基本操作执行了 2N+10 次,通过推导大 O 阶方法知道,时间复杂度为 O(N)2. 实例 2 基本操作执行了 M+N 次,有两个未知数 M 和 N ,时间复杂度为 O(N+M)3. 实例 3 基本操作执行了 10 次,通过推导大 O 阶方法,时间复杂度为 O(1)4. 实例 4 基本操作执行最好 1 次,最坏 N 次,时间复杂度一般看最坏,时间复杂度为 O(N)5. 实例 5 基本操作执行最好 N 次,最坏执行了 (N*(N+1)/2 次,通过推导大 O 阶方法 + 时间复杂度一般看最坏,时间复杂度为 O(N^2)6. 实例 6 基本操作执行最好 1 次,最坏 O(logN) 次,时间复杂度为 O(logN) ps : logN 在算法分析中表示是底数为2 ,对数为 N 。有些地方会写成 lgN 。7. 实例 7 通过计算分析发现基本操作递归了 N 次,时间复杂度为 O(N) 。8. 实例 8 通过计算分析发现基本操作递归了 2^N 次,时间复杂度为 O(2^N)。
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。
不过现在的空间复杂度并不是关注的对象了,因为现在的设备存储空间都比较大
单拿1G = 1024*1024*1024byte -- 所以通常有空间换时间的思想
实例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)
{
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;
}
}
这里的空间复杂度为O(1) -- 以开辟的额外空间来确定空间复杂度,本身接收的说不算的
空间可以重复使用 但是时间是积累的,一去不复返
实例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;
}
空间复杂度为 O(N) 不要被数组所迷惑
实例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;
}
O(N) -- 每个函数的调用都会开辟一个栈空间这里一共有N+1个(Fac(N)~Fac(0)),因此为O(N)
综上所述
1. 实例 1 使用了常数个额外空间,所以空间复杂度为 O(1)2. 实例 2 动态开辟了 N 个空间,空间复杂度为 O(N)3. 实例 3 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)
结束语
落下几天了……
因过竹院逢僧话,偷得浮生半日闲。
-- 唐·李涉 《题鹤林寺僧舍》