前言
需要几个数学公式:等差等比的数列求和公式和指数对数转换的公式。知道二分查找,递归,冒泡的思想。
一、1.时间复杂度是什么?
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。
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.空间复杂度是什么?
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。
二、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。
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)
下面是一些计算时间复杂度的例子:
Func1
// 请计算一下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 :
N = 10 F(N) = 130
N = 100 F(N) = 10210
N = 1000 F(N) = 1002010
公式:F(N)=+2*N+10
Func1的时间复杂度为O()。
Func2
// 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);
}
Func2 执行的基本操作次数 :
N = 10 F(N) = 30
N = 100 F(N) = 210
N = 1000 F(N) = 2010
Func2的时间复杂度为O(N)。
因为去掉常数M和最高阶的系数2所以是N。
Func3
// 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);
}
Func3 执行的基本操作次数 :100次
Func3的时间复杂度为O(1)。
因为是常数次100所以用大O渐进表示法为O(1)。
func4
// 计算strchr的时间复杂度 从字符串中找出给定的字符的下标
int strchr(char* str, char character)
{
int i = 0;
while (str[i]!='\0')
{
if (str[i] == character)
{
return i;
}
i++;
}
return -1;
}
Func4 执行的基本操作次数 :看函数第几次循环能找到给定的字符。有可能第一次就找到也有可能在中间或者最后一个才找到,在实际中一般情况关注的是算法的最坏运行情况。
Func4的时间复杂度为O(N)。
因为最坏情况为最后一个找到所以等于数组的长度为O(N)。
Func5
// 计算冒泡排序的时间复杂度?
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]);//交换两个数的值
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
Func5的时间复杂度为O()。
因为有exchange当数组有序后就会跳出循环,
Func5的最好为O(N),即开始就是有序的情况,只执行了外循环n次。
Func5的最坏为O()根据冒泡函数的思想每循环一次比较就少一个数,
外循环为n
内循环:
第1次:n-1
第2次:n-2
第3次:n-3
第n-1次:1
这是一个等差数列求和最后结果去掉最高阶系数和常数项后一定为。
Func6
// 计算二分查找的时间复杂度?
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;
}
Func6的时间复杂度为O()。
因为每次查询都会筛掉一半的数据,设一共有N个数,查找了X次,即N/2/2/2...../2=1。
N=,x=。
想不明白可以拿纸对折一下。
Func7
// 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;
}
Func7的时间复杂度为O(N)。
F(N)-->F(N-1)-->F(N-2)-->.........F(I)-->F(0),每次执行的都是常数次,共执行了N次。
Func8
// 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);
}
Func8的时间复杂度为O()。
最左边这一组至少会执行完整,其他的可能会提前返回,根据下图可知是一个等比数列求和。
下面是一些计算空间复杂度的例子:
Func1
// 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;
}
}
Func1的空间复杂度是O(1)。
只创建了3个临时占用存储空间变量end,exchange,i。常数个变量根据大o渐进表示法可知为O(1)。
Func2
// 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;
}
Func2的空间复杂度是O(n)。
Func2malloc了n+1个运行过程中临时占用存储空间的变量,n+1个变量根据大o渐进表示法可知为O(n)。
Func3
// 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;
}
Func3中每次递归调用都会创建一个空间,递归N+1次总共的空间复杂度为O(n)。
时间复杂度例图
具体的感觉时间复杂度的重要性
如果有错误请在评论区指出,非常感谢您的观看。