美文网首页算法通关手册
算法通关手册:02 算法复杂度

算法通关手册:02 算法复杂度

作者: ITCharge | 来源:发表于2021-09-09 19:26 被阅读0次
    02 算法复杂度.png

    1. 算法复杂度简介

    算法复杂度(Algorithm complexity):在问题的输入规模为 n 的条件下,程序的时间使用情况和空间使用情况。

    「算法分析」的目的在于改进算法。

    正如上文中所提到的那样:算法所追求的就是 所需运行时间更少(时间复杂度更低)占用内存空间更小(空间复杂度更低)。所以进行「算法分析」,就是从运行时间情况、空间使用情况两方面对算法进行分析。

    要比较两个算法的优劣通常有两种方法:

    • 事后统计:将两个算法各编写一个可执行程序,交给计算机执行,记录下各自的运行时间和占用存储空间的实际大小,从中挑选出最好的算法。
    • 预先估算:在在算法设计出来之后,根据算法中包含的步骤,估算出算法的运行时间和占用空间。比较两个算法的估算值,从中挑选出最好的算法。

    大多数情况下,我们会选择第 2 种方式。因为第 1 种方式的工作量实在太大,得不偿失。另外,即便是同一个算法,用不同的语言实现,在不同的计算机上运行,所需要的运行时间都不尽相同。所以我们一般采用预先估算的方法来衡量算法的好坏。

    采用预先估算的方式下,编译语言、计算机运行速度都不是我们所考虑的对象。我们只关心随着问题规模 n 扩大时,时间开销、空间开销的增长情况。

    这里的 「问题规模 n」 指的是:算法问题输入的数据量大小。对于不同的算法,定义也不相同。

    • 排序算法中:n 表示需要排序的元素数量。
    • 查找算法中:n 表示查找范围内的元素总数:比如数组大小、二维矩阵大小、字符串长度、二叉树节点数、图的节点数、图的边界点等。
    • 二进制计算相关算法中:n 表示二进制的展开宽度。

    一般来说,问题的输入规模越接近,相应的计算成本也越接近。而随着问题输入规模的扩大,计算成本也呈上升趋势。

    接下来,我们将具体讲解「时间复杂度」和「空间复杂度」。

    2. 时间复杂度

    2.1 时间复杂度简介

    时间复杂度(Time Complexity):在问题的输入规模为 n 的条件下,算法运行所需要花费的时间,可以记作为 T(n)。

    我们将 基本操作次数 作为时间复杂度的度量标准。换句话说,时间复杂度跟算法中基本操作次数的数量正相关。

    • 基本操作 :算法执行中的每一条语句。每一次基本操作都可在常数时间内完成。

    基本操作是一个运行时间不依赖于操作数的操作。

    比如两个整数相加的操作,如果两个数的规模不大,运行时间不依赖于整数的位数,则相加操作就可以看做是基本操作。

    反之,如果两个数的规模很大,相加操作依赖于两个数的位数,则两个数的相加操作不是一个基本操作,而每一位数的相加操作才是一个基本操作。

    下面通过一个具体例子来说明一下如何计算时间复杂度。

    def algorithm(n):
        fact = 1
        for i in range(1, n + 1):
            fact *= i
        return fact
    

    把上述算法中所有语句的执行次数加起来 1 + n + n + 1 = 2n + 2,可以用一个函数 f(n) 来表达语句的执行次数:f(n) = 2n + 2

    则时间复杂度的函数可以表示为:T(n) = O(f(n))。它表示的是随着问题规模 n 的增大,算法执行时间的增长趋势跟 f(n) 相同。O 是一种渐进符号,T(n) 称作算法的 渐进时间复杂度(Asymptotic time complexity),简称为 时间复杂度

    所谓「算法执行时间的增长趋势」是一个模糊的概念,通常我们要借助像上边公式中 O 这样的「渐进符号」来表示时间复杂度。

    2.2 渐进符号

    「渐进符号」 实际上是专门用来刻画函数的增长速度的。简单来说,渐进符号只保留了 最高阶幂,忽略了一个函数中增长较慢的部分,比如 低阶幂系数常量。因为当问题规模变的很大时,这几部分并不能左右增长趋势,所以可以忽略掉。

    经常用到的渐进符号有三种: \ThetaO\Omega。接下来我们将一一讲解。

    2.2.1 \Theta 渐进紧确界符号

    \Theta 渐进紧确界符号
    对于函数 f(n)g(n)f(n) = \Theta(g(n))。存在正常量 c_1c_2n_0,使得对于所有 n \ge n_0 时,有 0 ≤ c_1 \cdot g(n) ≤ f(n) ≤ c_2 \cdot g(n)

    也就是说,如果函数 f(n) = \Theta(g(n)),那么我们能找到两个正数 c_1c_2,使得 f(n)c_1 \cdot g(n)c_2 \cdot g(n) 夹在中间。

    例如:T(n) = 3n^2 + 4n + 5 = \Theta(n^2),可以找到 c_1 = 1c_2 = 12n_0 = 1,使得对于所有 n \ge 1,都有 n^2 ≤ 3n^2 + 4n + 5 ≤ 12n^2

    2.2.1 O 渐进上界符号

    O 渐进上界符号
    对于函数 f(n)g(n)f(n) = O(g(n))。存在常量 cn_0,使得当 n > n_0 时,有 0 ≤ f(n) ≤ c \cdot g(n)

    \Theta 符号渐进地给出了一个函数的上界和下界,如果我们只知道一个函数的上界,可以使用 O 符号。

    2.2.1 \Omega 渐进下界符号

    \Omega 渐进下界符号
    对于函数 f(n)g(n)f(n) = \Omega(g(n))。存在常量 cn_0,使得当 n > n_0 时,有 0 ≤ c \cdot g(n) ≤ f(n)

    同样,如果我们只知道函数的下界,可以使用 \Omega 符号。

    $\Theta$、$O$、$\Omega$ 符号的图例

    2.3 时间复杂度计算

    渐进符号可以渐进地描述一个函数的上界、下界,同时也可以描述算法执行时间的增长趋势。

    在计算时间复杂度的时候,我们经常使用 O 渐进上界符号。因为我们关注的通常是算法用时的上界,而不用关心其用时的下界。

    那么具体应该如何计算时间复杂度呢?

    求解时间复杂度一般分为以下几个步骤:

    • 找出算法中的基本操作(基本语句):算法中执行次数最多的语句就是基本语句,通常是最内层循环的循环体部分。
    • 计算基本语句执行次数的数量级:只需要计算基本语句执行次数的数量级,即保证函数中的最高次幂正确即可。像最高次幂的系数和低次幂可以忽略。
    • 用大 O 表示法表示时间复杂度:将上一步中计算的数量级放入 O 渐进上界符号中。

    同时,在求解时间复杂度还要注意一些原则:

    • 加法原则:总的时间复杂度等于量级最大的基本语句的时间复杂度。

    如果 T_1(n) = O(f_1(n))T_2 = O(f_2(n))T(n) = T_1(n) + T_2(n),则 T(n) = O(f(n)) = max(O(f_1(n)), O(f_2(n))) = O(max(f_1(n), f_2(n)))

    • 乘法原则:循环嵌套代码的复杂度等于嵌套内外基本语句的时间复杂度乘积。

    如果 T_1 = O(f_1(n))T_2 = O(f_2(n))T(n) = T_1(n)T_2(n),则 T(n) = O(f(n)) = O(f_1(n))O(f_2(n)) = O(f_1(n)f_2(n))

    下面通过实例来说明如何计算时间复杂度。

    2.3.1 常数 O(1)

    一般情况下,只要算法中不存在循环语句、递归语句,其时间复杂度都为 O(1)

    O(1) 只是常数阶时间复杂度的一种表示方式,并不是指只执行了一行代码。只要代码的执行时间不随着问题规模 n 的增大而增长,这样的算法时间复杂度都记为 O(1)

    def algorithm(n):
        a = 1
        b = 2
        res = a * b + n
        return res
    

    上述代码虽然有 4 行,但时间复杂度也是 O(1),而不是 O(3)

    2.3.2 线性 O(n)

    一般含有非嵌套循环,且单层循环下的语句执行次数为 n 的算法涉及线性时间复杂度。这类算法随着问题规模 n 的增大,对应计算次数呈线性增长。

    def algorithm(n):
        sum = 0
        for i in range(n):
            sum += 1
        return sum
    

    上述代码中 sum += 1 的执行次数为 n 次,所以这段代码的时间复杂度为 O(n)

    2.3.3 平方 O(n^2)

    一般含有双层嵌套,且每层循环下的语句执行次数为 n 的算法涉及平方时间复杂度。这类算法随着问题规模 n 的增大,对应计算次数呈平方关系增长。

    def algorithm(n):
        res = 0
        for i in range(n):
            for j in range(n):
                res += 1
        return res
    

    上述代码中,res += 1 在两重循环中,根据时间复杂度的乘法原理,这段代码的执行次数为 n^2 次,所以其时间复杂度为 O(n^2)

    2.3.4 阶乘 O(n!)

    阶乘时间复杂度一般出现在与「全排列」相关的算法中。这类算法随着问题规模 n 的增大,对应计算次数呈阶乘关系增长。

    def algorithm(n):
        if n <= 0:
            return 1
        return n * algorithm(n - 1)
    

    上述代码中计算阶乘使用了递归的方法。计算 n 的阶乘时需要先计算出 n - 1 的阶乘,计算 n - 1 的阶乘时,需要计算出 n - 2 的阶乘,以此类推。在计算总的时间复杂度时需要将每一步的基本操作数相乘,即:n * (n - 1) * (n - 2) * ... * 2 * 1 = n!,这段代码的执行次数为 n! 次,所以其时间复杂度为 O(n!)

    2.3.5 对数 O(log_2n)

    对数时间复杂度一般出现在「二分查找」、「分治」这种一分为二的算法中。这类算法随着问题规模 n 的增大,对应的计算次数呈对数关系增长。

    def algorithm(n):
        cnt = 1
        while cnt < n:
            cnt *= 2
        return cnt
    

    上述代码中 cnt = 1 的时间复杂度为 O(1) 可以忽略不算。while 循环体中 cnt 从 1 开始,每循环一次都乘以 2。当大于 n 时循环结束。变量 cnt 的取值是一个等比数列:2^0,2^1,2^2,…,2^x,根据 2^x = n,可以得出这段循环体的执行次数为 log_2n。所以这段代码的时间复杂度为 O(log_2n)

    2.3.6 线性对数 O(n log_2 n)

    线性对数一般出现在排序算法中,例如「快速排序」、「归并排序」、「堆排序」等。这类算法随着问题规模 n 的增大,对应的计算次数呈线性对数关系增长。

    def algorithm(n):
        cnt = 1
        res = 0
        while cnt < n:
            cnt *= 2
            for i in range(n):
                res += 1
        return res
    

    上述代码中外层循环的时间复杂度为 O(log_2 n),内层循环的时间复杂度为 O(n),且两层循环相互独立,则总体时间复杂度为 O(n log_2 n)

    2.3.7 常见时间复杂度关系

    根据从小到大排序,常见的算法复杂度主要有:O(1) < O(log_2 n) < O(n) < O(n log_2n) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)

    2.4 最佳、最坏、最差时间复杂度

    时间复杂度是一个关于输入问题规模 n 的函数。但是因为输入问题的内容不同,习惯将「时间复杂度」分为「最佳」、「最坏」、「平均」三种情况。这三种情况的具体含义如下:

    • 最佳时间复杂度:每个输入规模下用时最短的输入对应的时间复杂度。
    • 最坏时间复杂度:每个输入规模下用时最长的输入对应的时间复杂度。
    • 平均时间复杂度:每个输入规模下所有可能输入对应用时平均值的复杂度(随机输入下期望用时的复杂度)。

    我们通过一个例子来分析下最佳、最坏、最差时间复杂度。

    def find(nums, val):
        pos = -1
        for i in range(n):
            if nums[i] == val:
                pos = i
                break
        return pos
    

    这段代码要实现的功能是:从一个整数数组 nums 中查找值为 val 的变量出现的位置。如果不考虑 break 语句,根据「2.3 时间复杂度计算」中讲的分析步骤,这个算法的时间复杂度是 O(n),其中 n 代表数组的长度。

    但是如果考虑 break 语句,那么就需要考虑输入的内容了。如果数组中第 1 个元素值就是 val,那么剩下 n - 1 个数据都不要遍历了,那么时间复杂度就是 O(1),即最佳时间复杂度为 O(1)。如果数组中不存在值为 val 的变量,那么就需要把整个数组遍历一遍,时间复杂度就变成了 O(n),即最差时间复杂度为 O(n)

    这样下来,时间复杂度就不唯一了。怎么办?

    我们都知道,最佳时间复杂度和最坏时间复杂度都是极端条件下的时间复杂度,发生的概率其实很小。为了能更好的表示正常情况下的复杂度,所以我们一般采用平均时间复杂度作为时间复杂度的计算方式。

    还是刚才的例子,在数组 nums 中查找变量值为 val 的位置,总共有 n + 1 种情况:在数组的 0 ~ n - 1 和 不在数组中。我们将所有情况下,需要执行的语句累加起来,再除以 n + 1,就可以得到平均需要执行的语句,即:\frac{1 + 2 + 3 + ... + n + n}{n + 1} = \frac{n(n + 3)}{2(n + 1)}。将公式简化后,得到的平均时间复杂度就是 O(n)

    通常只有同一个算法在输入内容不同,不同时间复杂度有量级的差距时,我们才会通过三种时间复杂度表示法来区分。一般情况下,使用其中一种就可以满足需求了。

    3. 空间复杂度

    3.1 空间复杂度简介

    空间复杂度(Space Complexity):在问题的输入规模为 n 的条件下,算法所占用的空间大小,可以记作为 S(n)。一般将 算法的辅助空间 作为衡量空间复杂度的标准。

    除了执行时间的长短,算法所需储存空间的多少也是衡量性能的一个重要方面。而在「2. 时间复杂度」中提到的渐进符号,也同样使用于空间复杂度的度量。时间复杂度的函数可以表示为 S(n) = O(f(n)),它表示的是随着问题规模 n 的增大,算法所占空间的增长趋势跟 f(n) 相同。

    相比于算法的时间复杂度计算来说,算法的空间复杂度更容易计算,主要包括「局部变量(算法范围内定义的变量)所占用的存储空间」和「系统为实现递归(如果算法是递归的话)所使用的堆栈空间」两个部分。

    以两个例子来说明。

    3.1 空间复杂度计算

    3.1.1 常数 O(1)

    def algorithm(n):
        a = 1
        b = 2
        res = a * b + n
        return res
    

    上述代码中使用 abres 3 个局部变量,其所占空间大小并不会随着问题规模 n 的在增大而增大,所以该算法的空间复杂度为 O(1)

    3.1.2 线性 O(n)

    def algorithm(n):
        if n <= 0:
            return 1
        return n * algorithm(n - 1)
    

    上述代码采用了递归调用的方式。每次递归调用都占用了 1 个栈帧空间,总共调用了 n 次,所以该算法的空间复杂度为 O(n)

    3.1.3 常见空间复杂度关系

    根据从小到大排序,常见的算法复杂度主要有:O(1) < O(log_2 n) < O(n) < O(n^2) < O(2^n) 等。

    算法复杂度总结

    「算法复杂度」 包括 「时间复杂度」「空间复杂度」,用来分析算法执行效率与输入问题规模 n 的增长关系。通常采用 「渐进符号」 的形式来表示「算法复杂度」。

    常见的时间复杂度有:O(1)O(log_2 n)O(n)O(n log_2n)O(n^2)O(n^3)O(2^n)O(n!)

    常见的空间复杂度有:O(1)O(log_2 n)O(n)O(n^2)

    参考资料

    相关文章

      网友评论

        本文标题:算法通关手册:02 算法复杂度

        本文链接:https://www.haomeiwen.com/subject/eflwwltx.html