注册

算法与数据结构之算法复杂度

情景回顾

平时在聊天谈论算法时候,发现很多人并不清楚算法的时间复杂度怎么计算,一些稍微复杂的算法时间复杂度问题,就无法算出时间复杂度。那么我在今天的文章里去解答这些问题


时间复杂度与空间复杂度

时间复杂度

执行这个算法所需要的计算工作量



  1. 随着输入数据的规模,时间也不断增长,那么时间复杂度就是一个算法性能可观的数据。


  2. 由于实际算法的时间会根据机器的性能,软件的环境导致不同的结果,那么通常都是预估这个时间。


  3. 算法花费时间与执行语句次数成正比,执行次数称为语句频度或时间频度。记为T(n)


  4. 在时间频度中,n称为问题的规模,当n不断变化时,它所呈现出来的规律,称之为时间复杂度



说明:



  • 若算法中的语句执行次数为一个常数,则时间复杂度为o(1)
  • 不同算法的时间频度不一样,但他们的时间复杂度却可能是一样的。

例如:T(n)=2n+4+n^2
T(n)=n+8 + 4n^2
很明显时间频度不同,但是他们时间复杂度是相同的 都为O(n^2)

计算时间复杂度步骤:


  1. 找出算法中的基本语句(执行次数最多的那条语句就是基本语句,通常是最内层循环的循环体。)
  2. 计算基本语句的执行次数的数量级(只要保证基本语句执行次数的函数中的最高次幂正确即可,可以忽略所有低次幂和最高次幂的系数。这样能够简化算法分析,并且使注意力集中在最重要的一点上:增长率。)
  3. 用大Ο记号表示算法的时间性能。

原则:



  1. 如果运行时间是常数量级,用常数1表示
  2. 只保留时间函数中的最高阶项
  3. 如果最高阶项存在,则省去最高阶项前面的系数

例1:


        for(i in 0..n){
a++
}
for(i in 0..n){
for(i in 0..n){
a++
}
}

在看这个算法时候,很明显时间 复杂度为O(n+n^2) 但要留下最高阶 也就是O(n^2)
例2:

        for(i in 0..n){
a++
b++
c++
}

在看这个算法时候,很明显时间 复杂度为O(3n) 但要抹掉常数3 也就是O(n)


例3:


        var i = 1
while (i < n) {
a++
b++
c++
i *= 2
}

在看这个算法时候,很明显时间 复杂度为O(3logn) 但要抹掉常数3 也就是O(logn)


例4:


           a++
b++
c++

在看这个算法时候,很明显时间 复杂度为O(3) 常数级别的算法都为O(1)


平衡二叉搜索树的时间复杂度是怎么计算出来的呢(重点)

为啥我要加个重点标识呢?因为很多人都不晓得平衡二叉搜索树的O(logn)是咋计算出来的,今天我给大家掰扯掰扯


假设生成高度树h的节点数是n(h) ,高度为h-1的节点数为n(h-1)
他们之间的关系为 n(h) = n(h-1)+n(h-1)+1
n(h) = 2n(h-1)+1
n(h) 约等于 2n(h-1)
注意的一点 n(h-1) 几乎是一半的节点数目
基准点 h(0) = 1 h(1) = 3
依次类推
n(h) 约等于 h^2
那么
n(h) = h^2
那么
h = log2n
则平衡二叉搜索树的时间复杂度 O(logn)

时间复杂度比较

常见的时问复杂度如表所
在这里插入图片描述
常用的时间复杂度所耗费的时间从小到大依次是:
在这里插入图片描述
复杂度在1s内,能处理的数据量大小
在这里插入图片描述

复杂度分析的4个概念


最坏情况时间复杂度:代码在最坏情况下执行的时间复杂度。最好情况时间复杂度:代码在最理想情况下执行的时间复杂度。平均时间复杂度:代码在所有情况下执行的次数的加权平均值。均摊时间复杂度:在代码执行的所有复杂度情况中绝大部分是低级别的复杂度,个别情况是高级别复杂度且发生具有时序关系时,可以将个别高级别复杂度均摊到低级别复杂度上。基本上均摊结果就等于低级别复杂度。

为什么要引入这4个概念?



同一段代码在不同情况下时间复杂度会出现量级差异,为了更全面,更准确的描述代码的时间复杂度,所以引入这4个概念。代码复杂度在不同情况下出现量级差别时才需要区别这四种复杂度。大多数情况下,是不需要区别分析它们的。

如何分析平均、均摊时间复杂度?



平均时间复杂度
代码在不同情况下复杂度出现量级差别,则用代码所有可能情况下执行次数的加权平均值表示。均摊时间复杂度
两个条件满足时使用:
1)代码在绝大多数情况下是低级别复杂度,只有极少数情况是高级别复杂度;
2)低级别和高级别复杂度出现具有时序规律。均摊结果一般都等于低级别复杂度。

最坏情况与平均情况

我们查找一个有n 个随机数字数组中的某个数字,最好的情况是第一个数字就是,那么算法的时间复杂度为O(1),但也有可能这个数字就在最后一个位置上待着,那么算法的时间复杂度就是O(n),这是最坏的一种情况了。
最坏情况运行时间是一种保证,那就是运行时间将不会再坏了。 在应用中,这是一种最重要的需求, 通常, 除非特别指定, 我们提到的运行时间都是最坏情况的运行时间。
而平均运行时间也就是从概率的角度看, 这个数字在每一个位置的可能性是相同的,所以平均的查找时间为n/2次后发现这个目标元素。平均运行时间是所有情况中最有意义的,因为它是期望的运行时间。也就是说,我们运行一段程序代码时,是希望看到平均运行时间的。可现实中,平均运行时间很难通过分析得到,一般都是通过运行一定数量的实验数据后估算出来的。一般在没有特殊说明的情况下,都是指最坏时间复杂度。

空间复杂度

执行这个算法所需要的内存空间



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在算法计算中,其中的辅助变量与空间复杂度相关一般的,只要算法不涉及到动态分配的空间,以及递归、栈所需的空间,空间复杂度通常为O(1)时间复杂度和空间复杂度往往是相互影响,空间复杂度越好相对的时间会耗费的较多,反之亦然。


        var m = arrayOfNulls<Int>(n)
for(i in 0..n){
a++
m[i] = a
}

空间复杂度为 O(n)


常用算法的时间复杂度和空间复杂度

在这里插入图片描述

2 个评论

算法复杂度平时都不会计算,看了文章后大彻大悟了
文章很清晰

要回复文章请先登录注册