本文主要是介绍【数据结构】算法效率揭秘:时间与空间复杂度的较量,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
前言
在计算机科学中,时间复杂度和空间复杂度是衡量算法性能的两个重要指标。它们分别表示算法在执行过程中所需的时间和空间资源。了解这两个概念有助于我们评估和比较不同算法的优劣,从而选择更合适的算法解决问题~
欢迎关注个人主页:逸狼
创造不易,可以点点赞吗~
如有错误,欢迎指出~
目录
前言
算法效率
时间复杂度
大O的渐进表示法
推导大O阶
示例1 冒泡排序
若没有优化的代码
考虑最好的情况
考虑最坏的情况
代码优化后
考虑最好的情况
示例2 二分查找
示例3 递归(一路)
示例4 递归(二路)
空间复杂度
示例1(代码与上面示例1同)冒泡排序
示例2
示例3(代码与上面示例3同)递归(一路)
算法效率
算法效率分析分为两种:第一种是时间效率,第二种是空间效率。时间效率被称为时间复杂度,而空间效率被称作 空间复杂度。 时间复杂度主要衡量的是一个算法的运行速度,而空间复杂度主要衡量一个算法所需要的额外空间,
时间复杂度
在计算机科学中,算法的时间复杂度是一个数学函数,它定量描述了该算法的运行时间。
一个 算法执行所耗费的时间,从理论上说,是不能算出来的,只有你把你的程序放在机器上跑起来,才能知道。一个算 法所花费的时间与其中语句的执行次数成正比例,算法中的基本操作的执行次数,为算法的时间复杂度。
大O的渐进表示法
大O符号(Big O notation):是用于描述函数渐进行为的数学符号。
// 请计算一下func1基本操作执行了多少次?
void func1(int N){int count = 0;for (int i = 0; i < N ; i++) {for (int j = 0; j < N ; j++) {count++;//n^2}}
for (int k = 0; k < 2 * N ; k++) {count++;//2n}int M = 10;while ((M--) > 0) {count++;//n}System.out.println(count);
}
实际中我们计算时间复杂度时,只需要大概执行次数,所以使用大O的渐进表示法。N代表问题的规模。
推导大O阶
- 用常数1取代运行时间中的所有加法常数
- 在修改后的运行次数函数中,只保留最高阶项
- 如果最高阶项存在且不是1,则去除与这个项目相乘的常数。得到的结果就是大O阶。
使用大O的渐进表示法以后,Func1的时间复杂度为:O(N^2)
大O的渐进表示法去掉了那些对结果影响不大的项,简洁明了的表示出了执行次数。
有些算法的时间复杂度存在最好、平均和最坏情况:
- 最坏情况:任意输入规模的最大运行次数(上界)
- 平均情况:任意输入规模的期望运行次数
- 最好情况:任意输入规模的最小运行次数(下界)
例如:在一个长度为N数组中搜索一个数据x
最好情况:1次找到
最坏情况:N次找到
平均情况:N/2次找到
在实际中一般情况关注的是算法的最坏运行情况,所以数组中搜索数据时间复杂度为O(N)
示例1 冒泡排序
// 计算bubbleSort的时间复杂度?
void bubbleSort(int[] array) {for (int end = array.length; end > 0; end--) {boolean sorted = true;for (int i = 1; i < end; i++) {if (array[i - 1] > array[i]) {Swap(array, i - 1, i);sorted = false;}}if (sorted == true) {break;}}
}
若没有优化的代码
if (sorted == true) {break;
考虑最好的情况
外循环end=n时,内循环要走n-1次
外循环end=n-1时,内循环要走n-2次
……
外循环end=2时,内循环要走1次
所以最好的情况总次数(n-1)+(n-2)+(n-3)+……+1=n^2/2-n/2,所以时间复杂度为O(n^2)
考虑最坏的情况
因为有两个for循环,直接n*n=n^2
代码优化后
考虑最好的情况
第一遍就是有序的,即至少要遍历一遍数据,所以时间复杂度为O(n)
示例2 二分查找
// 计算binarySearch的时间复杂度?
int binarySearch(int[] array, int value) {int begin = 0;int end = array.length - 1;while (begin <= end) {int mid = begin + ((end-begin) / 2);if (array[mid] < value)begin = mid + 1;else if (array[mid] > value)end = mid - 1;elsereturn mid;}return -1;
}
二分查找,每次去除掉一半的数据,
考虑最坏的情况:找到最后一个数字为目标数字,
有N个数据,设当折半x次找到,则N/2^x=1,得x=log2N
示例3 递归(一路)
递归的时间复杂度=递归的次数 * 每次递归后的代码的执行次数
// 计算阶乘递归factorial的时间复杂度?
long factorial(int N) {return N < 2 ? N : factorial(N-1) * N;
}
这里的递归次数为N次
每次递归回来执行了三目运算符,即1次
所以时间复杂度为N*1=N,即O(N)
示例4 递归(二路)
// 计算斐波那契递归fibonacci的时间复杂度?
int fibonacci(int N) {return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2);
}
考虑最坏的情况,这里的递归次数为2^0+2^1+……+2^(N-1)=2^N-1次
每次递归回来执行了三目运算符,即1次
所以时间复杂度为2^N-1,即O(2^N)
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 。空间复杂度算的是变量的个数。空间复杂度计算规则基本跟时间复杂度类似,也使用大O渐进表示法。
示例1(代码与上面示例1同)冒泡排序
使用了常数个额外空间,所以空间复杂度为 O(1)
示例2
// 计算fibonacci的空间复杂度?
int[] fibonacci(int n) {long[] fibArray = new long[n + 1];fibArray[0] = 0;fibArray[1] = 1;for (int i = 2; i <= n ; i++) {fibArray[i] = fibArray[i - 1] + fibArray [i - 2];}return fibArray;
}
示例2动态开辟了N个空间,空间复杂度为 O(N)
示例3(代码与上面示例3同)递归(一路)
递归调用了N次,开辟了N个栈帧,每个栈帧使用了常数个空间。空间复杂度为O(N)
这篇关于【数据结构】算法效率揭秘:时间与空间复杂度的较量的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!