数据结构与算法:算法的时间复杂度

数据结构与算法:算法的时间复杂度在计算机科学中,时间复杂性,又称时间复杂度,算法的时间复杂度是一个函数,它定性描述该算法的运行时间。

欢迎大家来到IT世界,在知识的湖畔探索吧!

时间频度

一个算法花费的时间与算法中语句执行次数成正比,哪个算法中语句执行次数多,它花费的时间就多。一个算法中语句的执行次数称为语句频度或时间频度。即为T(n).

//比如计算1到100所有数字之和,我们设计俩种算法:
int count = 0;
int end = 100;
​
//该算法中使用了for循环,循环了100+1(最后一次判断), 时间频度为T(100)=100+1, 即T(n)=n+1
for(int i=1; i<=end; i++){
    count+=i;
}
​
//而如果我们使用公式来计算,只需执行一次即可得到结果,时间频度为T(100)=1, 即T(n)=1
count = (1+end)*end/2

欢迎大家来到IT世界,在知识的湖畔探索吧!

时间复杂度

在计算机科学中,时间复杂性,又称时间复杂度,算法的时间复杂度是一个函数,它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述,不包括这个函数的低阶项和首项系数。使用这种方式时,时间复杂度可被称为是渐近的,亦即考察输入值大小趋近无穷时的情况。

大O符号

大O符号(Big O notation)是用于描述函数渐进行为的数学符号。更确切地说,它是用另一个(通常更简单的)函数来描述一个函数数量级的渐近上界。在数学中,它一般用来刻画被截断的无穷级数尤其是渐近级数的剩余项;在计算机科学中,它在分析算法复杂性的方面非常有用。

常数项可忽略

如下图, 2n+20和2n 、 3n+10和3n ,随着n值的增大,执行曲线无限接近,这时我们基本可忽略掉常数项:20、10

数据结构与算法:算法的时间复杂度

低次项可忽略

如下图,2n^2+3n+10和2n^2、n^2+5n+20和n^2,随着n值的增大,执行曲线无限接近,这时我们基本可以忽略掉低次项和常数项:3n+10、5n+20

数据结构与算法:算法的时间复杂度

系数可忽略

如下图, 3n^2+2n和5n^2+7n 随着n值的增大,执行曲线无限接近,这时我们基本可以忽略掉低次项:2n、5n,和系数:3、5

但是要注意的是,如果n的指数大于2时,它们的系数会对结果影响较大,如下图的 n^3+5n和6^3+4n,这种情况则不可以忽略系数

数据结构与算法:算法的时间复杂度

所以我们可以把时间频度T(n)=2n^2+3n+10忽略掉常数、低次项和系数,记成时间复杂度O(n^2)

常见的时间复杂度

  • 常数阶O(1)
欢迎大家来到IT世界,在知识的湖畔探索吧!//无论代码执行了多少行,参数有多大,只要执行次数没有随着输入参数的变化而变化,那它的时间复杂度就是 O(1)
int i = 1;
int j = 2;
++i;
j++;
int m = i+j;
  • 对数阶O(log2n)
//在while循环中,每循环一次i都会乘于2,当乘到x次时,i>n则退出循环,,所以while内的代码会执行x次,即i^x>n,又因为i每次的乘数是2即底数为2,所以它的时间复杂度是 (log2n), 如果乘数是3则是O(log3n)
int i = 1;
while(i<n){
    i = i * 2;
}
  • 线性阶O(n)
欢迎大家来到IT世界,在知识的湖畔探索吧!//在for循环中,j=i会被执行n次,所以它的时间复杂度为O(n)
int j = 0;
for(int i=1; i<=n; i++){
    j = i;
}
  • 线性对数阶O(nlog2n)
//线性对数对数阶则是将对数阶的代码再循环执行n遍,如果i的乘数为2,则时间复杂度为O(nlog2n)
for(int m=1; m<=n; m++){
    int i = 1;
    while(i<n){
        i = i * 2;
    }
}
  • 平方阶O(n^2)
//平方阶则是将线性阶再循环执行n遍,记总共执行了n*n=n^2,所以它的时间复杂度为O(n^2)
int num = 0;
for(int i=1; i<=n; i++){
    for(int j=1; j<=n; j++){
        num = i+j;
    }
}
  • 立方阶O(n^3)
  • k次方阶O(n^k)
//立方阶和k次方阶参考平方阶,原理是一样的
  • 指数阶O(2^n)
//因为时间复杂度为0(2^n)的算法开销过大,不推荐使用时间复杂度为0(2^n)的算法
数据结构与算法:算法的时间复杂度

平均时间复杂度和最坏时间复杂度

  1. 平均时间复杂度是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。
  2. 最坏情况下的时间复杂度称最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。 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。
  3. 平均时间复杂度和最坏时间复杂度是否一致,核算 法有关(如图,以排序算法为例)。
数据结构与算法:算法的时间复杂度

空间复杂度

  1. 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。
  2. 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
  3. 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.

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://itzsg.com/36640.html

(0)

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

联系我们YX

mu99908888

在线咨询: 微信交谈

邮件:itzsgw@126.com

工作时间:时刻准备着!

关注微信