目录
前言
今天开始,小编就开始给大家带来数据结构的内容了,在学习数据结构的过程中可能有些知识有一点晦涩难懂,需要大家多花点时间去理解,小编也会不断尽自己的努力,不断提高文章质量,让大家更容易攻克难题,那么今天就让我们一起去了解一下时间复杂度的内容吧。
1.算法效率
一个算法的好坏,往往是由算法效率决定的。而对于算法效率我们就需要把目光聚集在算法复杂度上了。
1.1 算法复杂度
2.时间复杂度
2.1 时间复杂度概念
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。
这里给大家举个例子:
// 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);
}
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。(计算时间复杂度实际上是计算其达到的量级)。
2.2 大O的渐进表示法
2.3 实例说明
实例一
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);
}
这里一共有两个循环,对该两次循环次数进行累加我们可以发现该算法执行次数是:2N+10次,那么该用大O渐进表示法就O(N)。
实例二
// 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);
}
实例二有的也是两个循环所以该执行次数是:M+N,但是由于该是由两个未知数构成地,所以该用大O渐进表示法就O(N+M)。
实例三
// 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);
}
这里我们看到该程序执行了10次是一个常数,根据大O渐进表示法的规则,可以知道该由大O渐进表示法表示为O(1。
实例四
// 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;
}
}
实例四表示的是一个冒泡排序,冒泡排序相信大家都比较熟悉,而这里我们的算法加了一个exchange变量,来判断该组数据是否已经是升序排序,如果是,那内层循环就执行一遍此时的时间复杂度就是O(N),然而这时最好的情况,在最坏的情况下,也就是外层循环执行一次内层循环就需要执行end次,按每次执行展开就是 1,2,3,4 .......n;那么最终的到的次数也就是n(n+1)/2。那么该时间复杂度就是O(N^2)。
实例五
// 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;
}
这里有个小细节我需要给大家说明一下(时间复杂度中,以2为底的logN可以直接省略底数写为logN,其他底数不能简写),所以我们这里的时间复杂度就是O(logN)。
实例六
long long Fac(size_t N)
{
if(0 == N)
return 1;
return Fac(N-1)*N;
}
这里我们可以看到每次执行的递归情况,我们发现N是从N到0变化的,那么也代表该执行地次数是N+1,那么该时间复杂度就是O(N)。
实例7
// 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);
}
这里还是一个递归,但是此处的递归和去前者不同,将其拆解得到的逻辑是:
这里我们看到该是呈指数增长的,所以这里执行的时间复杂度是:O(2^N)。