简单而言,算法时间复杂度就是数学里面的函数,也就是算法的时间度量,一般记作:T(n)=O( f(n) )。
算法分析的分类:
1.最坏情况:任意输入规模的最大运行时间。(上界)
2.平均情况:任意输入规模的期望运行时间。
3.最好情况:任意输入规模的最小运行时间,通常最好情况不会出现。(下界)
情景一:(常数阶)
int sum=0,n=2;
sum+=n;
printf("sum=%d",sum);
算法的执行次数f(n)=3,一般用常数1取代加法常数,因此算法的时间复杂度为O(1).
情景二:(线性阶)
void test1(int n)
{
for(int i=0;i<n;i++)
{
//...
}
}
算法的执行次数f(n)=n,因此算法的时间复杂度为O(n).
情景三:(平方阶)
void test2(int n)
{
int m=5;
for(int i=0;i<n;i++)
{
for(int j=0;j<n;j++)
{
//...
}
}
for(int k=0;k<2 * n;k++)
{
//...
}
while(m--)
{
//...
}
}
算法的执行次数为f(n)=n^2+2n+5,一般关注算法的最坏运行情况,关注n^2,算法的时间复杂度为O(n^2).
情景四:(指数阶)
引入:递归算法的时间复杂度:递归总次数*每次递归次数;
斐波那契数列:
- 第一个月初有一对刚诞生的兔子
- 第二个月后(第三个月初)它们可以生育
- 每月每对可生育的兔子会诞生下一对新兔子
- 兔子永不死去
#include <iostream>
using namespace std;
unsigned long long Fibonacci(size_t n)
{
return n<2 ? n:Fibonacci(n-2)+Fibonacci(n-1);
}
int main()
{
size_t n;
cin>>n;
unsigned long long m=0;
m=Fibonacci(n);
cout<<m<<endl;
getchar();
return 0;
}
当我们用递归法写斐波那契数列,对程序进行不断测试时会发现:输入45时,程序会运行好长时间,算法执行效率太低了。
仔细分析一下(类似于完全二叉树),算法的执行次数为f(n)=2^n-1,关注算法的最坏运行情况,算法的时间复杂度为O(2^n)。
此时,我们应该优化一下程序:
#include <iostream>
using namespace std;
unsigned long long* Fibonacci(size_t n)
{
int i;
unsigned long long* a=new unsigned long long[n+1];
a[0]=0;
a[1]=1;
for(i=2;i<=n;i++)
{
a[i]=a[i-1]+a[i-2];
}
return a;
}
int main()
{
size_t n;
int i;
cout<<"数列长度为:";
cin>>n;
unsigned long long *a;
a=Fibonacci(n);
cout<<"Fibonacci数列:"<<endl;
for(i=1;i<=n;i++)
{
cout<<a[i]<<"->";
}
cout<<"over"<<endl;
getchar();
return 0;
}
情景五:(对数阶)
折半查找:(用图示代替代码)
观察图我们发现,我们需要查找所需要元素时,会将确定区域不断分成2份,知道找到元素为止,由2^x=N得算法的执行次数f(n)=log2N,时间复杂度为O(logn).
总结: