算法基础
大O表达式 | 描述 | 例 |
O(1) |
常数级,表明算法的执行时间不随问题规模 n 的增大而增大; 另外,对于常数 c,有 O(c) = O(1) |
普通语句,如 a = b+c |
O(logn) |
对数级,表明算法的执行时间随问题规模 n 的增大而呈对数增长; 对数的底数与增长的数量级无关(不同的底数相当于常数因子), 因此在说明对数级时一般使用 logn 来表示。 |
二分查找 |
O(n) | 线性级,表明算法的执行时间随问题规模 n 的增大而呈线性增长 | 单个for循环 |
O(nlogn) | 线性对数级,表明算法的执行时间与问题规模 n 的关系为 nlogn | 归并排序、快速排序 |
O(n^2) | 平方级,表明算法的执行时间随问题规模 n 的增大而呈平方级增长 | 二层 for 循环、选择排序 |
O(n^3) | 立方级,表明算法的执行时间随问题规模 n 的增大而呈立方级增长 | 三层 for 循环 |
O(2^n) | 指数级,表明算法的执行时间随问题规模 n 的增大而呈指数增长 | 穷举查找 |
按照所消耗时间从小到大排序:O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n).
一个算法是由控制结构(顺序、分支和循环3种)和原操作(指固有数据类型的操作)构成的,则算法时间取决于两者的综合效果。为了便于比较同一个问题的不同算法,通常的做法是,从算法中选取一种对于所研究的问题(或算法类型)来说是基本操作的原操作,以该基本操作的重复执行的次数作为算法的时间量度。
1、时间复杂度
(1)时间频度 一个算法执行所耗费的时间,从理论上是不能算出来的,必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试,只需知道哪个算法花费的时间多,哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
(2)时间复杂度 在刚才提到的时间频度中,n称为问题的规模,当n不断变化时,时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此,我们引入时间复杂度概念。 一般情况下,算法中基本操作重复执行的次数是问题规模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,则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n)),称O(f(n)) 为算法的渐进时间复杂度,简称时间复杂度。
如果a的x次方等于N(a>0,且a不等于1),那么数x叫做以a为底N的对数(logarithm),记作x=logaN。其中,a叫做对数的底数,N叫做真数。
常见的算法时间复杂度由小到大依次为:Ο(1)<Ο(log2n)<Ο(n)<Ο(nlog2n)<Ο(n2)<Ο(n3)<…<Ο(2n)<Ο(n!)
2.空间复杂度
算法的空间复杂度用来描述算法在运行时临时占用存储空间的大小,记作 S(n) = O(f(n)) ,表示算法所占用的存储空间与问题规模 n 的关系,其分析计算方式也与时间复杂度类似。
对于一个算法,其时间复杂度和空间复杂度往往是相互影响的。当追求一个较好的时间复杂度时,可能会使得空间复杂度的性能变差,即占用更多的存储空间;相反,当追求更好的空间复杂度时,可能会使得时间复杂度变差,消耗更多的运行时间。在设计一个程序(尤其是大型程序)时,需要综合考虑算法的各项性能,以在二者之间寻求一个平衡点,达到最大收益。
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 探究高空视频全景AR技术的实现原理
· 理解Rust引用及其生命周期标识(上)
· 浏览器原生「磁吸」效果!Anchor Positioning 锚点定位神器解析
· 没有源码,如何修改代码逻辑?
· 一个奇形怪状的面试题:Bean中的CHM要不要加volatile?
· 分享4款.NET开源、免费、实用的商城系统
· 全程不用写代码,我用AI程序员写了一个飞机大战
· MongoDB 8.0这个新功能碉堡了,比商业数据库还牛
· 白话解读 Dapr 1.15:你的「微服务管家」又秀新绝活了
· 上周热点回顾(2.24-3.2)