复杂度的计算方法遵循以下几个原则
- 首先,复杂度与具体的常系数无关,例如 O(n) 和 O(2n) 表示的是同样的复杂度。我们详细分析下,O(2n) 等于 O(n+n),也等于 O(n) + O(n)。也就是说,一段 O(n) 复杂度的代码只是先后执行两遍 O(n),其复杂度是一致的。
- 其次,多项式级的复杂度相加的时候,选择高者作为结果,例如 O(n²)+O(n) 和 O(n²) 表示的是同样的复杂度。具体分析一下就是,O(n²)+O(n) = O(n²+n)。随着 n 越来越大,二阶多项式的变化率是要比一阶多项式更大的。因此,只需要通过更大变化率的二阶多项式来表征复杂度就可以了。
值得一提的是,O(1) 也是表示一个特殊复杂度,含义为某个任务通过有限可数的资源即可完成。此处有限可数的具体意义是,与输入数据量 n 无关。
总结
- 一个顺序结构的代码,时间复杂度是 O(1)。
- 二分查找,或者更通用地说是采用分而治之的二分策略,时间复杂度都是 O(logn)。这个我们会在后续课程讲到。
- 一个简单的 for 循环,时间复杂度是 O(n)。
- 两个顺序执行的 for 循环,时间复杂度是 O(n)+O(n)=O(2n),其实也是 O(n)。
- 两个嵌套的 for 循环,时间复杂度是 O(n²)。
package main
import "fmt"
// 倒序排列 算法1
// 时间复杂度 O(n)+O(n) = O(n)
// 空间复杂度 O(n)
func testReverse1(a []int) {
//a := []int{1, 2, 3, 4, 5}
dataLen := len(a)
b := make([]int, dataLen)
for i := 0; i < dataLen; i++ {
b[i] = a[i]
}
for i := 0; i < dataLen; i++ {
b[dataLen-i-1] = a[i]
}
fmt.Println(b)
}
// 倒序排列 算法2
// 时间复杂度 O(n/2) = O(n)
// 空间复杂度 O(1)
func testReverse2(a []int) {
//a := []int{1, 2, 3, 4, 5}
tmp := 0
dataLen := len(a)
for i := 0; i < dataLen/2; i++ {
tmp = a[i]
a[i] = a[dataLen-i-1]
a[dataLen-i-1] = tmp
}
fmt.Println(a)
}
// 求最大值
// 时间复杂度 O(n)
func testMaxValue(a []int) {
//a := []int{1, 4, 3}
maxVal := -1
for i := 0; i < len(a); i++ {
if a[i] > maxVal {
maxVal = a[i]
}
}
fmt.Printf("max value is %d \n", maxVal)
}
// 查找出现次数最多的那个数字
// 时间复杂度 O(n²)
func testMaxCountValue(a []int) {
//a := []int{ 1, 3, 4, 3, 4, 1, 3 }
maxCountVal := -1
timesMax := 0 // 全局最大次数
timesTmp := 0 // 当前元素次数
for i := 0; i < len(a); i++ {
timesTmp = 0
for j := 0; j < len(a); j++ {
if a[i] == a[j] {
timesTmp += 1
}
//if timesTmp > timesMax {
// timesMax = timesTmp
// maxCountVal = a[i]
//}
}
if timesTmp > timesMax {
timesMax = timesTmp
maxCountVal = a[i]
}
}
fmt.Printf("max count value is %d \n", maxCountVal)
}
func main() {
a := []int{1, 2, 3, 4, 5, 6}
testReverse1(a)
testReverse2(a)
b := []int{1, 4, 3, 9}
testMaxValue(b)
c := []int{1, 3, 4, 3, 4, 1, 3}
testMaxCountValue(c)
}
网友评论