▷ 复杂度分析
用数据结构和算法来解决问题,解决的好不好,效率高不高,省不省空间,这个用形容词是没法描述的,必须用定量的指标来分析,这就会用到贯穿整个数据结构和算法的“复杂度分析”。一般分为时间复杂度
和空间复杂度
。
大O复杂度表示法
假设每行代码语句执行的时间是一样的,不论有多少行代码,同一行代码执行多少次,那么,可以得到一个简单的规律,所有代码的执行时间 T(n) 与每行代码的执行次数 n 成正比
。总结成一个公式,即:T(n) = O(f(n))
。
其中,T(n) 表示代码执行的时间;n 表示数据规模的大小;f(n) 表示每行代码执行的次数总和。因为这是一个公式,所以用 f(n) 来表示。公式中的 O,表示代码的执行时间 T(n) 与 f(n) 表达式成正比。这就是大O时间复杂度表示法。
时间复杂度
- 大 O 时间复杂度实际上并不具体表示代码真正的执行时间,而是表示代码执行时间随数据规模增长的变化趋势,也叫做渐进时间复杂度(asymptotic time complexity),简称时间复杂度。
- 当 n 很大时,你可以把它想象成 10000、100000。而公式中的低阶、常量、系数三部分并不左右增长趋势,所以都可以忽略。我们只需要记录一个最大量级就可以了,如果用大 O 表示法表示刚讲的那两段代码的时间复杂度,就可以记为:; 。
- 分析方法:
- 关注循环次数最多的代码
大O复杂度表示法,只是表示一种变化趋势,忽略掉公式中的常量、低阶和系数,只需要记录一个最大阶的量级。记录下来循环次数最多的代码的量级,就是整段要分析代码的时间复杂度。 - 加法法则:总复杂度等于量级最大的那段代码的复杂度
如果 T1(n)=O(f(n)),T2(n)=O(g(n));那么 T(n)=T1(n)+T2(n)=max(O(f(n)), O(g(n))) =O(max(f(n), g(n))).
- 关注循环次数最多的代码
- 复杂度量级:
前5种为多项式量级,后两种为非多项式量级 和,当数据规模 n 越来越大时,非多项式量级算法的执行时间会急剧增加,求解问题的执行时间会无限增长。所以,非多项式时间复杂度的算法其实是非常低效的算法。- 常量阶: ;
O(1) 只是常量级时间复杂度的一种表示方法,并不是指只执行了一行代码。只要代码的执行时间不随 n 的增大而增长,这样代码的时间复杂度我们都记作 O(1)。一般情况下,只要算法中不存在循环语句、递归语句,即使有成千上万行的代码,其时间复杂度也是Ο(1) - 对数阶: ;
对数阶时间复杂度非常常见,同时也是最难分析的一种时间复杂度。
i=1;
while (i <= n) {
i = i * 2;
}
如以上代码,每执行一次,i乘以2,最后执行次数就是,这段代码时间复杂度就是,而对数之间是可以互相转换的, 就等于 * ,其中 是一个常量,所以, 就等于 。因此,在对数阶时间复杂度的表示方法里,我们忽略对数的“底”,统一表示为 。 - 线性阶: ;
线性阶时间复杂度要灵活计算,如果两个规模不一样大小的循环,时间复杂度不能简单表示为其中一个,就会有加法或乘法,如、 - 线性对数阶: ;
线性对数阶就是将对数阶循环了n次,如归并排序、快速排序的时间复杂度都是 。 - 平方阶: ; 立方阶: ; ……K次方阶: ;
- 指数阶: ;
- 阶乘阶: ;
- 常量阶: ;
空间复杂度
空间复杂度全称就是渐进空间复杂度(asymptotic space complexity),表示算法的存储空间与数据规模之间的增长关系。
我们常见的空间复杂度就是 、、,像 、 这样的对数阶复杂度平时都用不到。空间复杂度分析比时间复杂度分析要简单很多。
网友评论