目录
一、概述
二、算法时间复杂度
2.1 基础操作的执行次数
2.2 算法时间复杂度
2.3 常用的时间复杂度
2.4 小结
三、几个例子熟悉时间复杂度推导
3.1 推导冒泡排序的时间复杂度
一、概述
算法时间复杂度
是用来估算算法效率高低的一种方法,通过对多个算法的时间复杂度估算,可以判断在哪种情况下,哪个算法最优。这篇文章主要介绍算法时间复杂度
的几个概念,然后从几个例子阐述怎样去估算一个算法的时间复杂度
。
二、算法时间复杂度
这一节主要弄清楚几个问题:
①为什么要用时间复杂度
去评估算法的效率?
②算法时间复杂度是什么?
③怎样估算算法的时间复杂度
2.1 基础操作的执行次数
多个实现同一功能的算法,在相同情况下,运行时间越短,说明该算法效率越高。而影响算法运行时间的关键因素就是该算法基础操作的执行次数,基础操作的次数越少,算法的运行时间就越短。(基础操作,可以认为是该种计算机语言中无法再拆解的操作,例如:加一个数、减一个数、乘一个数、除一个数。)
算法1:总共执行 2n+3 次基础操作
void algorithm1(int n)// 算法1:总共执行 2n+3 次基础操作
{
int i=0, sum=0; // 执行 1 次基础操作
for(i=0; i<n; i++) // 执行 n + 1 次基础操作
{
sum = sum + i; // 执行 n 次基础操作
}
printf("sum = %d\n",sum);// 执行 1 次基础操作
}
算法2:总共执行 3 次 基础操作
void algorithm2(int n)// 算法2:总共执行 3 次基础操作
{
int sum=0; // 执行 1 次基础操作
sum = (1+n) * n/2; // 执行 1 次基础操作
printf("sum = %d\n",sum);// 执行 1 次基础操作
}
上面两个算法都是求解1加到n的结果的,当输入n=100时,请直观地判断这两个算法,哪个效率更高。很明显是 算法2 效率更高,运行时间较少,因为它只有 3 次基础操作,而 算法1 要执行2n+3=203次基础操作。
所以,估算 算法效率 的第一个步骤是找出该算法随着 问题输入规模n 的变化而变化的 基础操作次数,并用函数
f(n)
来表示这个关系。
例如:上面两个算法的 基础操作次数函数 可以分别表示为:
算法1:f(n) = 2n + 3
算法2:f(n) = 3
2.2 算法时间复杂度
有了上面 基础操作次数 的认识之后,再来看 算法时间复杂度 就比较容易懂了,不然直接看概念可能会有点懵。
算法的时间复杂度
:也就是算法的时间度量,记作T(n)=O(f(n))
,表示随着 问题规模n 的增大,算法执行时间的增长率和f(n)
的增长率相同。称作算法的渐近时间复杂度,简称时间复杂度。其中,f(n)
是问题规模n的某个函数。
通常,用大写O( )
来表示算法时间复杂度的记法。一般,随着问题规模n的增大,T(n)
增长最慢的为最优算法。
从定义来看,时间复杂度是用大写O( )
来表示的,括号里再写上一个函数f(n)
,其实这个函数就是上面说的关于 基础操作次数 的函数使用大O阶法
推导出来的。下面了解怎样推导大O阶。
推导大O阶的步骤:
1、用常数 1 取代运行次数函数中的所有加法常数;
2、在修改后的运行次数函数中,只保留最高阶项;
3、若最高阶项存在且不是 1 ,就去除与这个项相乘的常数。
经过这三个步骤,得到的就是大O阶。
🍟 用前面的两个算法的 基础操作次数 的函数为例推导大O阶:
f(n) = 3
:用常数 1 取代所以加法尝试,得到f(n)=1
,这已经是常数阶了,不需要后两步骤,再将f(n)=1
替换到O(fn)
中,得到大O阶O(1)
f(n)=2n+3
:用常数 1 取代所以加法尝试,得到f(n)=2n+1
,第二步,只保留最高阶项,得到f(n)=2n
,最后去掉与这个项相乘的常数,得到f(n)=n
,大O阶为O(n);
2.3 常用的时间复杂度
执行次数函数 | 大O阶 | 非正式术语 |
---|---|---|
f(n)=12 | O(1) | 常数阶 |
f(n)=2n+3 | O(n) | 线性阶 |
f(n)=3n 2 ^2 2+2n+1 | O(n 2 ^2 2) | 平方阶 |
f(n)=log 2 _2 2n+20 | O(logn) | 对数阶 |
f(n)=2n+3nlog 2 _2 2n+19 | O(nlogn) | nlogn阶 |
f(n)=6n 3 ^3 3+2n 2 ^2 2+3n+4 | O(n 3 ^3 3) | 立方阶 |
2 n ^n n | O(2 n ^n n) | 指数阶 |
常用的时间复杂度所耗费的时间从小到大依次是:
O(1) < O(logn) < (n) < O(nlogn) < O(n 2 ^2 2) < O(n 3 ^3 3) < O(2 n ^n n) < O(n!) < O(n n ^n n)
2.4 小结
给定一个算法的实现代码,估算 算法时间复杂度 时:
首先,要得出关于 问题规模n 的函数,也就是 基础操作执行次数函数f(n)
;
其次,利用 大O阶推导法,推导出该算法的时间复杂度。用大写O( )
表示。
三、几个例子熟悉时间复杂度推导
这一节,通过几个排序算法的时间复杂度推导步骤,让你彻底学会怎么推导一个算法的时间复杂度。
3.1 推导冒泡排序的时间复杂度
void bubble_sort(int* Arr, int n)
{
for (int i = 0; i < n; i++) // 执行 n+1 次基础操作
{
for (int j = 0; j < n - i - 1; j++) // 执行 n*(n-i-1) 次基础操作,也就是n^2-in-n次
{
//swap
if (Arr[j] > Arr[j + 1]) // 执行 n*(n-i-1) 次基础操作,也就是n^2-in-n次
{
int temp = Arr[j]; // 执行 n*(n-i-1) 次基础操作,也就是n^2-in-n次
Arr[j] = Arr[J + 1]; // 执行 n*(n-i-1) 次基础操作,也就是n^2-in-n次
Arr[j + 1] = temp; // 执行 n*(n-i-1) 次基础操作,也就是n^2-in-n次
}
}
}
}
推导冒泡排序的时间复杂度的步骤:
①推导出基础操作执行次数函数:f(n)=(n+1) + 5n
2
^2
2 - 5in - 5n,这里的 i 可以当成常数处理;
②大O推导法第一个步骤,这里没有非 1 常数,跳过,得到f(n)=5n
2
^2
2 - 5in - 4n + 1;
③大O推导法第二个步骤,只保留最高阶项,f(n)=5n
2
^2
2;
④大O推导法第二个步骤,去除与这个项相乘的常数:f(n)=n
2
^2
2;
⑤用大O表示法表示时间复杂度为:O(n
2
^2
2)。
如果文章有帮助的话,点个赞让我知道一下 😁😁😁