目录
1.算法的效率
2.时间复杂度
3.空间复杂度
1.算法的效率
1.1 算法的复杂度
算法的复杂度是衡量算法执行时间和空间资源消耗的度量。它通常用大O符号表示。算法的复杂度可以分为时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法运行的快慢,而空间复杂度则描述算法运行所需要的额外的空间。
2.时间复杂度
2.1时间复杂度的概念
时间复杂度的定义:在计算机科学中,时间复杂度是一个函数,它定量描述了算法的运行时间。它表示随着输入规模增加,算法执行时间的增长趋势。具体来说,时间复杂度描述的是算法执行所需的基本操作次数,而不是实际的执行时间。它可以帮助我们估计算法在不同规模输入下的执行时间。
// 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执行的基本次数:
- N = 10 F(N) = 130
- N = 100 F(N) = 10210
- N = 1000 F(N) = 1002010
在实际中,我们并不需要计算出精确的执行次数,只需要大概的执行次数,那么就使用大O的渐进表示法。
2.2 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:
大O的渐进表示法,可以去掉对结果影响不大的项。
算法的时间复杂度存在最好、平均和最坏情况:
最坏情况:任意输入规模最大的运行次数
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
3.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。
// 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;
}
}
使用了常数个额外空间,所以空间复杂度为 O(1)
// 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;
}
动态开辟了N个空间,空间复杂度为 O(N)
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。