算法的时间复杂度和空间复杂度
算法的时间复杂度
时间频度T(n)
一个算法中的语句执行次数称为语句频度或时间频度。记作T(n)
时间复杂度O(f(n))
一般情况下,算法中的基本操作语句的重复执行次数(即时间频度)是问题规模n的某个函数,用T(n)表示。若有某个辅助函数f(n),使得当n趋近于无穷大时,T(n) / f(n)的极限值为不等于零的常数,则成f(n)是T(n)的同数量级函数(等价无穷小)。记作T(n) = O(f(n)),称O(f(n))为算法的渐进时间复杂度,简称复杂度。
计算时间复杂度的方法
- step1: 用常数1代替运行时间中的所有加法常数T(n) = 3n^2 + 7n + 6 ——> T(n) = 3n^2 + 7n + 1
- step2: 修改后的运行次数函数中,只保留最高阶项T(n) = 3n^2 + 7n + 1——> T(n) = 3n^2
- step3: 去除最高阶项的系数T(n) = 3n^2 ——> T(n) = n2)
常见的时间复杂度
- 常数阶O(1)
- 对数阶O(log2n)
- 线性阶O(n)
- 线性对数阶O(nlog2n)
- 平方阶O(n^2)
- 立方阶O(n^3)
- k次方阶O(n^k)
- 指数阶O(2^n)
- n!
- n^n
常见的算法时间复杂度由小到大依次为:O(1) < O(log2n) < O(n) < O(nlog2n) < O(n^2) < O(n^3) < O(n^k) < O(2^n) < O(n!) < O(n^n),随着问题规模n的不断扩大,上述时间复杂度不断增大,算法的执行效率越低
常数阶O(1)
int i = 1;
int j = 10000000;
无论代码执行了多少行,只要是没有循环等复杂结构,那这个代码的时间复杂度就是O(1)
对数阶O(log2n)
int i = 1;
while (i < n) {
i = i * 2;
}
循环中的语句执行1次,i的值为2;执行2次,i的值4...若执行x次,则i的值为2^x
循环退出的条件为:i == n
也即2^x == n,则x = log2n,即T(n) = log2n,则时间复杂度O(log2n)
线性阶O(n)
for (int i = 1; i <= n; i ++) {
j = i;
j ++;
}
for循环里面的代码会执行n遍,它消耗的时间是随着n的变化而变化的,因此这类代码都可以用O(n)来表示它的时间复杂度
线性对数阶O(nlogN)
for (m = 0; m < n; m ++) { // 时间复杂度为O(n)
i = 1;
while (i < n) { //时间复杂度为O(log2n)
i = i * 2;
}
}
线性对数阶O(nlogN) 其实非常容易理解,将时间复杂度为O(logn)的代码循环n遍的话,那么它的时间复杂度就是 n * O(logN),也就是了O(nlogN)
平方阶O(n^2)
for (int i = 1; i <= n; i ++) {
for (int j = 1; j <= n; j ++) {
j = i;
j ++;
}
}
如果把 O(n) 的代码再嵌套循环一遍,它的时间复杂度就是 O(n²),这段代码其实就是嵌套了2层n循环,它的时间复杂度就是 O(nn),即O(n^2) 如果将其中一层循环的n改为m,那么它的时间复杂度就变成了O(mn)(O(mn)相当于两层for循环,一层执行m次,一层执行n次)。
立方阶O(nk)
O(n³)相当于三层n循环,其他的类似
平均时间复杂度和最坏时间复杂度
平均复杂度:指所有可能的输入实例均以等概率出现的情况下,该算法的运行时间。
最坏时间复杂度:最坏情况下的时间复杂度,一般讨论的时间复杂度均是最坏情况下的时间复杂。这样做的原因是:最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限,这就保证了算法的运行时间不会比最坏情况更长。
平均时间复杂度和最坏时间复杂度是否一致,和算法有关。
算法的空间复杂度
类似于时间复杂度的讨论,一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间,它也是问题规模n的函数。
空间复杂度(Space Complexity)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。有的算法需要占用的临时工作单元数与解决问题的规模n有关,它随着n的增大而增大,当n较大时,将占用较多的存储单元,例如快速排序和归并排序算法就属于这种情况
在做算法分析时,主要讨论的是时间复杂度。从用户使用体验上看,更看重的程序执行的速度。一些缓存产品(redis, memcache)和算法(基数排序)本质就是用空间换时间.