前言
📕各位读者好, 我是小陈, 这是我的个人主页
📗小陈还在持续努力学习编程, 努力通过博客输出所学知识
📘如果本篇对你有帮助, 烦请点赞关注支持一波, 感激不尽
📙 希望我的专栏能够帮助到你:
JavaSE基础: 基础语法, 类和对象, 封装继承多态, 接口, 综合小练习图书管理系统等
Java数据结构: 顺序表, 链表, 堆, 二叉树, 二叉搜索树, 哈希表等
JavaEE初阶: 多线程, 网络编程, TCP/IP协议, HTTP协议, Tomcat, Servlet, Linux, JVM等(正在持续更新)
前几篇文章陆续分享了【Java语法】部分的相关基础知识,从本篇开始将陆续更新【数据结构】💪,作为学习路上的记录和分享,感兴趣的读者朋友可以支持、关注一波~
🚗🚗🚗
接下来分享 Java 数据结构——【时间复杂度和空间复杂度】
提示:是正在努力进步的小菜鸟一只,如有大佬发现文章欠佳之处欢迎评论区指点~ 废话不多说,直接发车~
一、算法效率
说到数据结构,就离不开算法🧮,那么算法一定也有优劣好坏之分💯
评价算法的好坏是通过:算法效率
而算法效率又分为两种:时间复杂度 (时间效率) 和 空间复杂度(空间效率)
🔍 时间复杂度 主要衡量的是一个算法的运行速度
🔍 空间复杂度 主要衡量一个算法所需要的额外空间
那么大家想想,当今条件下,时间复杂度重要 还是 空间复杂度重要❓——答案是时间复杂度更重要🧐
在计算机发展的早期,计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展,计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度
说人话就是:内存越来越不值钱
二、时间复杂度
1,时间复杂度的概念
时间复杂度的定义:在计算机科学中,算法的时间复杂度是一个数学函数,它定量描述了该算法的运行时间
🚙🚙🚙
一个算法 / 程序执行所耗费的时间,从理论上说,是不能算出来的🙅,只有你把你的程序放在机器上跑起来,才能知道。但是我们需要每个算法都上机测试吗?显然不合理🤦,所以才有了时间复杂度这个分析方式
一个算法所花费的时间与其中语句的执行次数成正比例,算法中的基本操作的执行次数,为算法的时间复杂度,时间复杂度用大O的渐进法表示✅
2,大O的渐进表示法
我们先来看一段代码:
void func1(int N){
int count = 0;
for (int i = 0; i < N ; i++) {
for (int j = 0; j < N ; j++) {
count++;
}
}
for (int k = 0; k < 2 * N ; k++) {
count++;
}
int M = 10;
while ((M--) > 0) {
count++;
}
System.out.println(count);
}
来计算一下 func1 这个函数 执行的基本操作次数:
👉第一个 for 循环:N * N 次
👉第二个 for 循环:2 * N 次
👉第三个 while 循环:10 次
用数学函数表示就是:👇
我们发现 N 越大,2 * N + 10 对 F(N) 的影响越小🆓
所以实际中我们计算时间复杂度时,我们其实并不一定要计算精确的执行次数🤌,而是大概执行次数,那么这里我们使用大O的渐进表示法。规则是:
1️⃣用常数1取代运行时间中的所有加法常数
(本例中:最后一项 10 就变成了 1)
2️⃣在修改后的运行次数函数中,只保留最高阶项
(本例中:最高阶项是 N²,所以后面两项就舍弃了)
3️⃣如果最高阶项存在且不是1,则去除与这个项目相乘的常数
(例如:假设最高项是 2 * N,则舍去2,最后结果就是 N)
所以 func1 的时间复杂度就是O( N² )
另外有些算法的时间复杂度存在最好、平均和最坏情况:
最坏情况:任意输入规模的最大运行次数(上界)
平均情况:任意输入规模的期望运行次数
最好情况:任意输入规模的最小运行次数(下界)
没有特殊说明的时候,一般讨论时间复杂度都是最坏情况
3,练习示例
第1️⃣题:
void func2(int N) {
int count = 0;
for (int k = 0; k < 2 * N ; k++) {
count++;
}
int M = 10;
while ((M--) > 0) {
count++;
}
System.out.println(count);
}
func2 这个函数执行的基本操作次数为:2 * N + 10,大O渐进法表示为O(N)
第2️⃣题:
void func3(int N, int M) {
int count = 0;
for (int k = 0; k < M; k++) {
count++;
}
for (int k = 0; k < N ; k++) {
count++;
}
System.out.println(count);
}
func3 这个函数执行的基本操作次数为:M + N,大O渐进法表示为O(M+N)
第3️⃣题:
⚠️⚠️注意,这里 M 和 N 并不是特指参数的名字,而是仅仅用来表示规模
void func4(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {
count++;
}
System.out.println(count);
}
func4 这个函数执行的基本操作次数为:100,大O渐进法表示为O(1)
第4️⃣题:
void bubbleSort(int[] array) {
for (int i = 0; i < array.length - 1; i++) {
for (int j = 0; j < array.length - 1 - i; j++) {
if (array[j] > array[j + 1]) {
// 交换操作
}
}
}
}
bubbleSort(冒泡排序) 这个函数执行的基本操作次数为:1/2N * (N -1),大O渐进法表示为O(N²)
第5️⃣题:
int binarySearch(int[] array, int value) {
int begin = 0;
int end = array.length - 1;
while (begin <= end) {
int mid = begin + ((end-begin) / 2);
if (array[mid] < value)
begin = mid + 1;
else if (array[mid] > value)
end = mid - 1;
else
return mid;
}
return -1;
}
binarySearch(二分查找) 这个函数执行的基本操作次数为:log₂N,大O渐进法表示为O(log₂N)
最坏情况即是:目标数据在数组的最左边或者最右边,也就是一直折半,直到左右下标相同时结束
我们假设:这个数组长度是 N,折半了 X次,就有公式:2 的X次方 = N,折半的次数 X,就是 基本操作次数 ,所以X=基本操作次数 = log₂N
第6️⃣题:
long factorial(int N) {
return N < 2 ? N : factorial(N-1) * N;
}
补充:
递归♻️函数的时间复杂度 = 递归次数 * 每次递归后的基本操作次数
factorial(阶乘) 这个函数执行的基本操作次数为:N(递归次数) * 1(每次递归后的基本操作次数),大O渐进法表示为O(N)
三、空间复杂度
1,空间复杂度概念
🔍空间复杂度是对一个算法在运行过程中临时占用存储空间大小的量度 。
空间复杂度不是程序占用了多少bytes的空间,因为这个也没太大意义,所以空间复杂度算的是额外占用的内存空间
🚕🚕🚕
空间复杂度计算规则基本跟时间复杂度类似,也使用大O渐进表示法。
2,练习示例
第1️⃣题:
int[] fibonacci(int n) {
long[] fibonacci = new long[n + 1];
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; i++) {
fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray;
}
fibonacci 这个函数额外开辟的内存空间是 fibonacci 数组,随着n的个数增大,数组的空间也增大,所以大O渐进法表示的空间复杂度为O(N)
第2️⃣题:
long factorial(int N) {
return N < 2 ? N : factorial(N-1)*N;
}
factorial 这个函数额外开辟的内存空间是 临时开辟的函数栈帧,递归调用了 N 次,开辟了 N 个栈帧,每个栈帧使用了常数个空间,所以大O渐进法表示的空间复杂度为O(N)
总结
以上就是本文要分享的数据结构第一章:时间复杂度和空间复杂度的相关内容,相对来说时间复杂度要比空间复杂更值得关注和学习
如果本篇对你有帮助,请点赞收藏支持一下,小手一抖就是对作者莫大的鼓励啦🤪🤪🤪
下篇分享🙋🏼:顺序表简易模拟实现 + ArrayList 介绍
上山总比下山辛苦
下篇文章见