作为程序员,大家应该都听过这样一个公式:程序设计 = 算法 + 数据结构,我们所编写的程序都可以使用这个公式来概括,其中算法主要是针对世间和空间两个维度进行考核。
- 时间维度:执行当前算法所消耗的时间,即,时间复杂度;
- 空间维度:执行当前算法所消耗的空间,即,空间复杂度。
1、时间复杂度
1.1 计算表达式
要计算算法的时间消耗,可以通过加日志打印,获取该程序执行算消耗的时间,但在实际的使用中,我们不可能针对每一段程序都去通过时间的执行获取其消耗的时间,况且有些程序我们也没办法去通过实际运行去获取消耗的时间,此时我们需要通过的一定的公式去估算其消耗的时间,常见的表达方式如下:
T(n) = O(f(n))
该方法也就是我们常说的大O符号表示法,通过该方式可表示常见的时间复杂度,例如:
- 常数阶O(1)
- 对数阶O(logN)
- 线性阶O(n)
- 线性对数阶O(nlogN)
- 平方阶O(n²)
- K次方阶O(n^k)
- 指数阶(2^n)
以上的表达式的执行效率可通过该表模拟说明,其中横坐标表示n值,纵坐标表示时间的复杂度,可以看出如下结论:
- 当n<=4时:相对而言不同的表达式的时间复杂度基本相同;
- 当n>4时,不同表达式,时间复杂度相对变化较大,特别是n越大,其时间复杂度差别越大;
- 相对而言,以上表达式自上而下,时间复杂度差别越来越大,执行效率越来越低。
1.2 举例说明
1. 常数阶O(1)
int num = 0;
num++;
System.out.println(num);
指程序执行过程为常数的次数,例如上面的num执行了一次++操作,写为O(1),当然如果再执行3次,也可以写为O(3),但是通常统称为O(1)的形式,即常数阶。
2.对数阶O(logN)
int num = 1;
while(num <n)
{
num = num * 2;
}
指运算时,没执行一次num值就乘以2,假设执行x次后,num值就大于n,即 2^x =
n,那么x= log2 n,也就是logn的形式,其时间复杂度呈logn的形式。
3. 线性阶O(n)
int num = 0;
for (int i = 0; i <n ; i++) {
num = i++;
System.out.println(num);
}
指运算时,该变量执行了n次,例如上例中经过一次for循环后,num执行了n次,因此是呈现线性阶O(n)。
4.线性对数阶O(nlogN)
int num = 0;
for (int i = 0; i <n ; i++) {
while (num<i){
num *= 2;
}
}
指运算时,在执行for的同时又嵌套了一次while,结合对数阶和线性阶可知为线性对数阶:O(nlogN)。
5.平方阶O(n²)
for (int i = 0; i <n ; i++) {
for (int j = 0; j <n ; j++) {
num++;
System.out.println(num);
}
}
结合线性阶可知,平方阶是指,运算时,嵌套了2次循环,即nn= n^2,如果将上述中的一个n修改为m,则为nm次。
同理可知:
- 如果嵌套循环3次,则为n^3;
- 如果是k次,则为n^k;
- 如果n为2,嵌套了n次,则为2^n次,即指数阶。
2、空间复杂度
空间复杂度是指该算法执行时,临时占用的空间大小,常见的表达式有:O(1)、O(n)、O(n²)。
1.复杂度O(1)
int num = 0;
System.out.println(num);
该运算过程中,num申请了一次内存,因此复杂度为O(1),同理如果有可知的常数次也统称为O(1)。
2. 复杂度O(n)
for (int i = 0; i <n ; i++) {
int test = num++;
System.out.println(num);
}
该运算中,每次都会重新申请一个内存用于存储test,因此复杂度为O(n)。
3.复杂度O(n²)
同理在O(n)的基础上,如果再次嵌套一个循环,则空间复杂度为O(n²)。
3、 小结
基于时间和空间复杂度的计算,主要是用于编写程序时,大致估算程序的运行效率,特别是时间复杂度上,采用不同的方式,随着n的不断扩大,其时间的消耗甚至呈现指数型的增长。随着设备的存储不断扩大,在选择算法时,越来越多的采用空间换时间的方式来提升效率。
对于时间和空间的估算,需要把握以下两点:
时间:该算法在实际运行中,执行了几次?
空间:该算法在运行中,占用临时内存的大小 ?