前情提要:
如何衡量一个算法的效率性?
在日常开发中,开发者不仅仅要做到满足开发需求,还要考虑在已经满足需求的前提下对代码进行优化,使得程序更有效率、 更加稳定。这些都关系到代码的复杂度,而复杂度又分为空间和时间两种。
时间复杂度
概念:
时间复杂度本质上是一个数学函数,一个算法所花费的时间与其中语句的次数成正比,算法中的基本操作次数为算法的时间复杂度
大O的渐进表示法 :
在实际计算中只需要保留大概的执行次数,不需要精确知道执行次数我们就会用到大O的渐进表示法
例:
//请计算一下func的基本操作执行了多少次
void func(int n)
{
int count = 0;
for (int i = 0; i <n; i++)
{
for(int j = 0;j < 0; j++)
{
count++;
}
}
for (int i = 0;i < n;i++)
{
count++;
}
int num =10;
while(num>0)
{
count++;
num--;
}
System.out.println(count);
}
func的基本执行次数:F(N)= n²+2n+10
推导大O阶方法
1、用常数1代替运行时间中所有的常数
例:
void add()
{
int n = 10;
int count = 0;
while(n>0)
{
count++;
n--;
}
}
add 方法中基本操作次数是n次而且n是常数,所以用大O渐进表示法add的时间复杂度为:O(1)
2、在修改基本操作次数之后,只保留最高阶项
3、如果最高阶项不是1,则去除与项目相乘的常数,保留结果就是大O渐进表达式(如上述func保留结果是O(n)=n²) 大O渐进表达式去掉了对结果影响不大的项
另外,有些算法的时间复杂度存在最好情况、最坏情况、平均情况:
最坏情况:任意输入规模的最大运行次数
平均情况:任意输入规模的预期运行次数
最好情况:任意输入规模的最小运行次数
例:在N个元素的数组中找到元素x。
最好情况:1 最坏情况:N 平均情况:N/2
常见时间复杂度例题:
例1:普通加法
// 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++;
}
System.out.println(count);
}
大O渐进表达式为O(M+N)
例2:常数加法
// 计算func3的时间复杂度?
void func3(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {
count++;
}
System.out.println(count);
}
大O渐进表达式为O(1),仔细看程序的基本操作次数为100,常数的大O表达式为O(1)
例3:冒泡排序
// 计算bubbleSort的时间复杂度?
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
boolean sorted = true;
for (int i = 1; i < end; i++) {
if (array[i - 1] > array[i]) {
Swap(array, i - 1, i);
sorted = false;
}
}
if (sorted == true) {
break;
}
}
}
冒泡排序的时间复杂度就要考虑到最好情况和最坏情况
冒泡排序的时间复杂度计算为:F(N) = n²/2-n/2
最坏情况下冒泡排序的时间复杂度为:O(n²)
最好情况下时间复杂度为:O(n)
最好情况:上例是一个顺序排序,假如给定一个数组为[ 1,2,3,4,5],那么元素只需要进行五次比较
例4:二分查找(给定的数组一定是经过排序的数组)
// 计算binarySearch的时间复杂度?
int binarySearch(int[] array, int value) {
int begin = 0;
int end = array.length - 1;
while (begin <= end) {
int mid = begin + ((end-begin) / 2);
if (array[mid] < value)
begin = mid + 1;
else if (array[mid] > value)
end = mid - 1;
else
return mid;
}
return -1;
}
大O渐进表达式为:O(logn)
时间复杂度比较:O(logn)>O(n),logn效率更高
例5:阶乘递归
// 计算阶乘递归factorial的时间复杂度?
long factorial(int N) {
return N < 2 ? N : factorial(N-1) * N;
}
递归的次数为2ⁿ ,大O渐进表达式为O(2ⁿ)
例6:斐波那契数列递归
// 计算斐波那契递归fibonacci的时间复杂度?
int fibonacci(int N) {
return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2);
}
斐波那契递归次数为N,大O表达式为O(N)
常用的复杂度大小:
O(1)<O(logN)<O(N)<O(N*logN)<O(N²)
空间复杂度
代码实例用到的额外空间,就是该算法的空间复杂度。空间复杂度和时间复杂度一样,也用大O表达式。
如上述例2,用到了常数个额外空间,空间复杂度为O(1),例5动态开辟了N个额外空间,为O(N),例6开辟了N个栈帧空间,N个栈帧空间里用了常数个额外空间,空间复杂度为O(N)
小结:时间复杂度和空间复杂度还需要视具体代码逻辑去进行考虑。在同样满足编译要求的情况下,时间复杂度和空间复杂度越小,算法越是优质。