这两天开始了数据结构和算法的学习,简单总结一下自己的心得。
为什么需要复杂度分析
- 和性能测试不一样,复杂度分析有着不依赖环境、成本低、效率高、易操作、方便操作、指导性强的优点。
- 掌握复杂度分析,将能编写出性能更优,效率更高的代码,有利于降低系统开发和维护的成本,提高用户的体验。
复杂度分析法则
单段代码取高频:例如循环
多段代码取最大:录入一段代码中有单循环和多重循环,取多重循环的复杂度
嵌套代码算乘积:例如多重嵌套 for 循环
多个规模算其和:例如方法中两段代码单独运算,最后结果根据这两段代码得出,那么取这两者复杂度的和
常见的时间复杂度(从低到高)
- O(1)
- O(logn)
- O(n)
- O(nlogn)
- O(n^2)
- O(2^n)
- O(n!)
**注:**最后两个时间复杂度不常用,因为其效率过低。
四类时间复杂度
最好情况时间复杂度
在最理想的情况下,执行这段代码的时间复杂度。
比如:查找的元素就是数组的第一个元素,这时候这段代码只需要执行一次,时间复杂度最低。
最坏情况时间复杂度
在最糟糕的情况下,执行这段代码的时间复杂度。
比如:查找的元素不在数组中,或者是数组的最后一个(从第一个开始遍历),这时候这个数组需要全部遍历一遍,时间复杂度最高。
平均情况时间复杂度
所有会出现的情况除以次数
比如:查找的元素在数组的第一个,查找的元素在数组的最后一个,查找的元素在数组的中间,查找的元素不在数组里面,将以上所有情况统计起来,除以出现的次数,就是平均情况时间复杂度。
均摊时间复杂度
对一个数据结构进行一组连续操作中,大部分情况下时间复杂度都很低,只有个别情况下时间复杂度比较高,而且这些操作之间存在前后连贯的时许关系。通常,能够应用均摊时间复杂度分析的场合,一般均摊时间复杂度就等于最好情况时间复杂度。
示例代码:
// 生成一个数组,长度为n
int[] array = new int[n];
int count = 0;
void insert(int temp) {
// 判断数组是否存满了
if(count == array.length) {
int sum = 0;
// 计算数组里面元素的和
for (int i = 0; i < array.length; ++i){
sum = sum + array[i];
}
// 将和赋给数组的第一个
array[0] = sum;
// 下次插入的时候只能插入到第二个元素
count = 1;
}
// 如果数组没存满,则插入元素
array[count] = temp;
++count;
}
欢迎关注,本号将持续更新本人编程路上的各种见闻。