数据结构初阶第一篇——算法中的时间复杂度和空间复杂度[建议收藏]
Posted 呆呆兽学编程
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了数据结构初阶第一篇——算法中的时间复杂度和空间复杂度[建议收藏]相关的知识,希望对你有一定的参考价值。
本篇博客我要给大家分享一下算法中的时间复杂度和空间复杂度。希望对大家有所帮助。
❤️ 博主码云gitee链接:https://gitee.com/byte-binxin ❤️
目录
算法效率
衡量一个算法的好坏我们看的是这个算法的效率。算法的效率由时间和空间两个维度来衡量,也就是我们这篇博客将要讨论的两个话题——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,而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,计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展,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。
时间复杂度
时间复杂度的概念
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。(来源:百度百科)
我们先来看一下下面这一串代码,计算一下Func1中++count语句总共执行了多少次?
void Func1(int N)
{
int count = 0;
//代码1
for (int i = 0; i < N; ++i)
{
for (int j = 0; j < N; ++j)
{
++count;
}
}
//代码2
for (int k = 0; k < 2 * N; ++k)
{
++count;
}
//代码3
int M = 10;
while (M--)
{
++count;
}
printf("%d\\n", count);
}
在代码1中++count执行了N*N次
在代码2中++count执行了N次
在代码2中++count执行了10次
所以总共执行次数为(N^2+N+10)次。
我们得到只有一个函数关系:
F(N)=N^2+N+10
当N足够大时F(N)的大小主要由N^2决定,实际中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,而只需要大概执行次数,所以这里我们使用大O的渐进表示法。
什么是大O渐进表示法呢?
大O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。
推导大O阶方法:
1、用常数1取代运行时间中的所有加法常数。
2、在修改后的运行次数函数中,只保留最高阶项。
3、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。
所以上面所说的F(N)=N^2+N+10函数用大O渐进表示法得到的结果是O(N ^ 2),这样我们就舍去了影响不大的项,简单明了地表示出了执行的次数。
通常算法的时间复杂的分为三种:最好,最坏和平均。
时间复杂度做的是悲观预期,所以时间复杂度看的是最坏的情况。
时间复杂度计算的案例
案例1
void Func1(int N)
{
int count = 0;
for (int k = 0; k < 2 * N; ++k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\\n", count);
}
计算上面一串代码的时间复杂度是多少?
第一个循环执行了2*N次,第二个循环执行了10次。 总共执行了 2 * N+10次。
最高阶项是2 * N,所以时间复杂度是O(N)。
案例2
void Func2(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);
}
计算上面一串代码的时间复杂度是多少?
第一个循环执行了M次,第二个循环执行了N次。 总共执行了 M+N次。
最高阶项是M和N,所以时间复杂度是O(M+N)
当M>>N时,时间复杂度是O(M)
当M近似等于N时,时间复杂度是O(M+N)
当M<<N时,时间复杂度是O(N)
案例3
void Func3(int N)
{
int count = 0;
for (int k = 0; k < 100; ++k)
{
++count;
}
printf("%d\\n", count);
}
计算上面一串代码的时间复杂度是多少?
这个循环执行了100次, 总共执行了100次。
最高阶项是100,执行次数为常数次,所以时间复杂度是O(1)。
案例4
// 计算strchr的时间复杂度?
const char * strchr(const char * str, int character);
strchr是一个在字符串中查找某个字符的算法,计算strchr的时间复杂度?
在一个字符串中查找一个字符,肯定要变量这个字符串,所以会利用循环,遍历长度次,由于长度是未知的,所以最高阶项N。
最好是1,最坏是N,平均是N/2,由于时间复杂度的计算看的是最坏的情况,所以时间复杂度是O(N)。
案例5
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;
}
}
计算BubbleSort的时间复杂度?
执行次数为(n-1)+…2+1
这是一个等查数列求和,结果是n *(n-1)/2。
最高阶项是N ^ 2,所以时间复杂度是O(N ^ 2)
案例6
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;
else
return mid;
}
return -1;
}
计算一下二分查找算法的时间复杂度?
案例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;
}
计算阶乘递归Fac的时间复杂度?
计算F(N),利用递归调用F(N) = N*F(N-1)
F(N-1) = (N-1) * F(N-2)
F(N-2) = (N-2) * F(N-3)
…
F(2) = 2 * F(1)
F(1) = 1
这样一共递归调用了N次,所以时间复杂度是O(N)。
案例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);
}
计算斐波那契递归Fib的时间复杂度?
空间复杂度
空间复杂度的概念
空间复杂度也是一个数学表达式,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 。空间复杂度不是程序占用了多少bytes的空间,因为这个也没太大意义,所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实践复杂度类似,也使用大O渐进表示法。
空间复杂度计算的几个实例
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;
}
}
计算BubbleSort的空间复杂度?
这串代码中开辟了exchange,end和i三个变量的空间,也就是常数个空间,所以空间复杂度是O(1)
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;
}
计算Fibonacci的空间复杂度?
这里动态内存申请了一块(n+1)个大小的空间,其它都是常数次,所以空间复杂度为O(N)
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;
}
计算阶乘递归Fac的空间复杂度?
计算F(N),利用递归调用F(N) = N*F(N-1)
F(N-1) = (N-1) * F(N-2)
F(N-2) = (N-2) * F(N-3)
…
F(2) = 2 * F(1)
F(1) = 1
这样一共递归开辟了N个函数栈帧,所以空间复杂度是O(N)。
实例4
// 计算斐波那契递归Fib的空间复杂度?
long long Fib(size_t N)
{
if (N < 3)
return 1;
return Fib(N - 1) + Fib(N - 2);
}
计算斐波那契递归Fib的空间复杂度?
上面我们也分析过了,这个函数会递归调用2^n-1次,会建立 2 ^ n-1次函数栈帧,所以说空间复杂度是O(2 ^ n)吗?
当然不能这样想,因为空间是可以重复利用,然而时间是一区不复返的。有一部分栈帧是利用同一块空间,最多利用N个函数栈帧的空间,所以空间复杂度是O(N)。
总结
本片博客就简单的分享到这了,欢迎大家指正和点赞支持~
以上是关于数据结构初阶第一篇——算法中的时间复杂度和空间复杂度[建议收藏]的主要内容,如果未能解决你的问题,请参考以下文章
数据结构初阶第九篇——八大经典排序算法总结(图解+动图演示+代码实现+八大排序比较)
数据结构初阶第九篇——八大经典排序算法总结(图解+动图演示+代码实现+八大排序比较)