文章目录
数据结构与算法|第二章:复杂度分析-续
前言
本章会讨论四个复杂度分析的概念
- 最好情况时间复杂度(best case time complexity)
- 最坏情况时间复杂度(worst case time complexity)
- 平均情况时间复杂度(average case time complexity)
- 均摊时间复杂度(amortized time complexity)
1.项目环境
- jdk 1.8
- github 地址:https://github.com/huajiexiewenfeng/data-structure-algorithm
- 本章模块:chapter02
2.示例分析
我们先看一段简单的代码:找到数组中元素为 x 的下标位置
public static int find(int[] array,int n,int x) {
int pos = -1;
for (int i = 0; i < n; i++) {
if(array[i]==x){
pos = i;
}
}
return pos;
}
根据我们上一章的内容可以分析出来这段代码的时间复杂度为 O(n),但是我们每次找出对应的元素,并不需要将整个数组遍历一遍,代码可以进行以下优化
public static int find2(int[] array, int n, int x) {
int pos = -1;
for (int i = 0; i < n; i++) {
if (array[i] == x) {
pos = i;
break;
}
}
return pos;
}
与之前的不同点在于要查找的变量 x 可能在 array 数组的任意位置,导致这段代码的时间复杂度和之前的情况有所不同
- 如果 x 元素在第一个,那么只需要循环一次就可以找到,那么代码的时间复杂度就是 O(1)
- 如果 x 元素在数组的最后一个,那么时间复杂度又变回成了 O(n)
所以在不同的情况下,代码的时间复杂度是不一样的,因此我们需要引入三个概念来进行分析
2.1 最好情况时间复杂度(best case time complexity)
上面的例子中,最好情况时间复杂度就是 array 数组的第一个元素就是 x,那么时间复杂度就是 O(1)。
2.2 最坏情况时间复杂度(worst case time complexity)
反之最坏的情况就是 array 数组的第最后一个元素是 x 或者没有 x 元素,那么时间复杂度就是 O(n)。
2.3 平均情况时间复杂度(average case time complexity)
最好和最坏的情况其实概率很低,所以我们需要引入另一个概念,平均情况时间复杂度。
前提: 假设查找的元素一定在数组中(为了理解方便)
在长度为 n 的数组中,我们查找每个元素的概率是 1/n。
x 查找 1 次被找到的概率 = 1*1/n
x 查找 2 次被找到的概率 = 2*1/n
…
将所有的概率加在一起就可以得到平均情况时间复杂度计算如下
1 ∗ 1 / n + 2 ∗ 1 / n + 3 ∗ 1 / n + . . . + n ∗ 1 / n = ( n + 1 ) / 2 1*1/n+2*1/n+3*1/n+...+n*1/n = (n+1)/2 1∗1/n+2∗1/n+3∗1/n+...+n∗1/n=(n+1)/2
去掉系列、常量的影响,我们发现平均情况时间复杂度还是为 O(n);和上面的两种复杂度相比,稍微有点复杂,虽然已经屏蔽了一些因素。
在大部分情况下,我们并不会分析这三种复杂度,只有同一块代码在不同的情况下,时间复杂度有量级的差距,我们才会使用这三种复杂度表示法来区分。
2.4 均摊时间复杂度(amortized time complexity)
实现功能如下:
- 向 array 数组中循环插入 val 值
- 如果 count == array.length 长度达到数组的最大长度
- 那么将现数组中的所有元素之和添加到数组的第一个元素中
- 再接着添加元素
static int count = 0;
public static void insert(int[] array, int val) {
if (count == array.length) {
int sum = 0;
for (int i = 0; i < array.length; i++) {
sum = sum + array[i];
}
array[0] = sum;
count = 1;
}
array[count] = val;
++count;
}
调用代码
public static void main(String[] args) {
// 均摊时间复杂度
int[] array = new int[5];
for (int i = 0; i < 6; i++) {
insert(array, i);
}
printlnArray(array);
}
执行结果:
10,5,2,3,4
上述代码只是为了说明 均摊时间复杂度,不需要纠结实现细节。
我们先分析下时间复杂度
- 最好时间复杂度 O(1),当 count 值 < 数组长度时
- 最坏时间复杂度 O(n),当 count 值 = 数组长度时,需要遍历数组
- 平均时间复杂度 O(1),计算如下:
假设数组长度为 n 那么平均时间复杂度计算公式为
1
∗
1
/
n
+
1
+
1
∗
1
/
n
+
1
+
.
.
.
+
1
∗
1
/
n
+
1
+
n
∗
1
/
n
+
1
=
O
(
1
)
1*1/n+1+1*1/n+1+...+1*1/n+1+n*1/n+1=O(1)
1∗1/n+1+1∗1/n+1+...+1∗1/n+1+n∗1/n+1=O(1)
insert() 和上面的 find() 最大区别在于,在 find 中大部分情况下时间复杂度为 O(n),极少数情况下才为O(1),而 insert() 正好相反。
在这种特殊的场景下需要引入一种新的分析方法:均摊时间复杂度
在 insert 这个例子中,每次触发 count == array.length 这个条件时,都会执行 n-1 次的时间复杂度为 O(1) 插入操作,才会执行一次复杂度为 O(n) 插入,如果把耗时最多的这次操作时间均摊到这 n-1 次中,这个连续 n 次的插入操作的时间复杂度还是 O(1),这种时间均摊的统计分析方法就是 均摊时间复杂度。
3.小结
本章讨论这四个复杂度概念,是因为同一段代码,在不同输入的情况下,复杂度量级有可能是不一样的。在引入这几个概念之后,我们可以更加全面地表示一段代码的执行效率。
平均情况时间复杂度 和 均摊时间复杂度 看起来比较类似,所以有点难以理解和区分,我们不用花太多时间去区分他们,都是在一些比较特殊的场景分析采用用到,一般 均摊时间复杂度 就等于最好情况时间复杂度。
4.参考
- 极客时间 -《数据结构与算法之美》王争