数据结构1:算法的时间复杂度和空间复杂度
目录
1.算法效率
1.1如何衡量一个算法的好坏 ---- 代码大概的运行次数
1.2算法的复杂度
2.时间复杂度
2.1时间复杂度的概念
2.2大O的渐进表示法
2.3常见时间复杂度计算举例
3.空间复杂度
4.常见复杂度对比
5.复杂度的OJ练习
5.1消失的数字
5.2 旋转数组
【本节目标】
- 算法效率
- 时间复杂度
- 空间复杂度
- 常见时间复杂度以及复杂度练习
1.算法效率
1.1如何衡量一个算法的好坏 ---- 代码大概的运行次数
如何衡量一个算法的好坏呢?
long long Fib(int N) {if(N < 3){return 1;}return Fib(N - 1) + Fib(N - 2); }
斐波那契数列的递归方式非常简洁,但简洁一定好吗?那如何衡量其好与坏呢?
1.2算法的复杂度
算法在编写成可执行程序后,运行时需要耗费时间资源和空间(内存)资源。因此henhen改良一个算法的好坏,一般是从时间和空降两个维度来衡量的,即时间复杂度和空间复杂度。
- 时间复杂度主要衡量一个算法的运行快慢
- 空间复杂度主要衡量一个算法运行所需要的额外空间
在计算机发展的早期,计算机存储容量很小,所以对空间复杂度很是在乎。但是经过计算机行业的快速发展,计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
2.时间复杂度
2.1时间复杂度的概念
时间复杂度的定义:在计算机科学中,算法的时间复杂度是一个函数,他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,从理论上讲,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。但是我们每个算法都上机测试吗?是可以都上机测试,但是这很麻烦,所以才有了时间复杂度这个分析方式。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。
即:找到某条基本语句与问题规划N之间的数学表达式,就是算出了该算法的时间复杂度。\\
//请计算一下Fun1中 ++count 语句总共执行了多少次? void Func1(int N) {int count = 0;for(int i = 0;i < N; ++i){for(int j = 0;j < N; ++j){++count;}}for(int k = 0;k < 2 * N;++K){++count;}int M = 10;while(M--){++count;}printf("%d\\n",count); }
Func1执行的基本操作次数:
- N = 10 F(N) = 130
- N = 100 F(N) = 10210
- N = 1000 F(N) = 1002010
实际上我们计算时间复杂度时,我们其实并不一定要计算精确的执行次数,而只需要大概的执行次数,所以我们常常用到大O的渐进表示法。
2.2大O的渐进表示法
大O符号(big O notation):是用于描述函数渐进性为的数学符号。
推导大O阶方法:
- 用常数1来取代运行时间中的所有加法常熟
- 再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
在使用大O阶的渐进表示法后,Func1的时间复杂度为:O(N^2)
- N = 10 F(N) = 100
- N = 100 F(N) = 10000
- N = 1000 F(N) = 1000000
通过上面我们发现大O的渐进表示法去掉了那些对结果影响不大的项,而简明表示出了执行次数。
另外有些算法的时间复杂度存在最好、平均、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的数组中搜索一个数据x
最好情况:1次找到。
最快情况: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)
2.3常见时间复杂度计算举例
实例1:
// 计算Func2的时间复杂度?
void Func2(int N)
{int count = 0;for (int k = 0; k < 2 * N ; ++ k){++count;}int M = 10;while (M--){++count;}printf("%d\\n", count);
}
Func2执行的基本操作次数: Func2 = 2N + 10;---------> O(N)
实例2:
// 计算Func3的时间复杂度?
void Func3(int N, int M)
{int count = 0;for (int k = 0; k < M; ++ k){++count;}for (int k = 0; k < N ; ++ k){++count;}printf("%d\\n", count);
}
Func3执行的基本操作次数: Func2 = M + N;
---------> O(M + N)
若给出M >> N,则为O(M);
若给出N >> M,则为O(N);
实例3:
// 计算Func4的时间复杂度?
void Func4(int N)
{int count = 0;for (int k = 0; k < 100; ++ k){++count;}printf("%d\\n", count);
}
Func4执行的基本操作次数: Func2 = 100;
---------> O(1)
实例4:
// 计算strchr的时间复杂度?
const char * strchr ( const char * str, int character );
实例5:
// 计算BubbleSort的时间复杂度?
void BubbleSort(int* a, int n)
{assert(a);//保证指针的有效性for (size_t end = n; end > 0; --end){int exchange = 0;for (size_t i = 1; i < end; ++i){if (a[i-1] > a[i]){Swap(&a[i-1], &a[i]);//交换两个元素exchange = 1;}}if (exchange == 0)break;}
}
最好的情况:O(N)
最坏的情况:O(N^2)
实例5基本操作执行最好N次,最坏执行了(N*(N+1)/2次,通过推导大O阶方法+时间复杂度一般看最坏,时间复杂度为 O(N^2)
实例6:
// 计算BinarySearch的时间复杂度?
int BinarySearch(int* a, int n, int x)
{assert(a);int begin = 0;int end = n-1;while (begin < end){int mid = begin + ((end-begin)>>1);if (a[mid] < x)begin = mid+1;else if (a[mid] > x)end = mid;elsereturn mid;}return -1;
}
实例6基本操作执行最好1次,最坏O(logN)次,时间复杂度为 O(logN) ps:logN在算法分析中表示是底数为2,对数为N。有些地方会写成lgN。(建议通过折纸查找的方式讲解logN是怎么计算出来的)
实例7:
// 计算阶乘递归Fac的时间复杂度?
long long Fac(size_t N)
{if(0 == N)return 1;return Fac(N-1)*N;
}
实例7通过计算分析发现基本操作递归了N次,时间复杂度为O(N)
实例8:
// 计算斐波那契递归Fib的时间复杂度?
long long Fib(size_t N)
{if(N < 3)return 1;return Fib(N-1) + Fib(N-2);
}
实例8通过计算分析发现基本操作递归了2^N次,时间复杂度为O(2^N)。(建议画图递归栈帧的二叉树讲解)
3.空间复杂度
空间复杂度也是一个数学表达式,是对一个算法在运算过程中临时占用存储空间大小的量度。
空间复杂度不是程序占用了多少byte的空间,因为这个也没有太大的意义,多以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。
注意:函数运行时所需要的栈空间(存储函数、局部变量、一些寄存器的信息等)在编译期间已经确定好了,因此空间复杂度主要通过函数在运行时申请的额外空间来确定。
实例1:
// 计算BubbleSort的空间复杂度?
void BubbleSort(int* a, int n)
{assert(a);for (size_t end = n; end > 0; --end){int exchange = 0;for (size_t i = 1; i < end; ++i){if (a[i-1] > a[i]){Swap(&a[i-1], &a[i]);exchange = 1;}}if (exchange == 0)break;}
}
实例2:
// 计算Fibonacci的空间复杂度?
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{if(n==0)return NULL;long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));fibArray[0] = 0;fibArray[1] = 1;for (int i = 2; i <= n ; ++i){fibArray[i] = fibArray[i - 1] + fibArray [i - 2];}return fibArray;
}
实例3:
// 计算阶乘递归Fac的空间复杂度?
long long Fac(size_t N)
{if(N == 0)return 1;return Fac(N-1)*N;
}
4.常见复杂度对比
一般算法的复杂度如下:
5.复杂度的OJ练习
5.1消失的数字
OJ链接:https://leetcode-cn.com/problems/missing-number-lcci/
int missingNumber(int* nums, int numsSize){int sum = numsSize*(numsSize + 1)/2;//求和for(int i = 0; i<numsSize; ++i){//sum -= num[i]; sum -= *(nums + i); }return sum;
}
注:求取前n项和,然后减去数组中的每个值,就得到了缺少的那个值。
5.2 旋转数组
OJ链接:https://leetcode-cn.com/problems/rotate-array/
void rotate(int* nums, int numsSize, int k)
{if (k > numsSize){k %= numsSize;}int* tmp = (int*)malloc(sizeof(int) * numsSize);//copy后k个memcpy(tmp, nums + numsSize - k, sizeof(int) * k);memcpy(tmp + k, nums, sizeof(int) * (numsSize-k));memcpy(nums, tmp, sizeof(int) * (numsSize));free(tmp);}