【简单算法】什么是复杂度?
在上一篇文章里,有看到一个简单算法题的2个解法,我们运用了复杂度分析来判断哪个解法更合适。
这里的复杂度,就是用于衡量程序的运行效率的重要度量因素。
虽然有句俗话“不管是白猫还是黑猫,抓到老鼠就是好猫”,这句话是站在结果导向的,没错。但是如果
有个程序要去处理海量数据,一个程序员写的要执行2天,而另一个程序员只要半小时,那么第二种显然更适合
我们的实际需求。
一、什么是复杂度
复杂度是一个关于输入数据量n的函数。
要表示复杂度很简单,用大写O加上括号O()
将复杂度包起来就好了。比如这个代码的复杂度是f(n),那就可以写成
O(f(n))
。
在计算复杂度的时候,有三点需要我们记住:
- 复杂度与具体常系数无关
- 多项式级复杂度相加,选择高者为结果
O(1)
表示特殊复杂度
1、复杂度与具体常系数无关
举个例子,将一个列表反转,不用reverse()。
def demo_1():
a = [1, 2, 3, 4, 5]
b = [0 for x in range(0,5)] #第一个for循环
n = len(a)
for i in range(n): # 第二个for循环
b[n - i - 1] = a[i]
print(b)
if __name__ == "__main__":
demo_1()
===============运行结果==================
D:\Programs\Python\Python36\python.exe D:/练习/leecode/fuzadu.py
[5, 4, 3, 2, 1]
Process finished with exit code 0
可以看到我先用了一个for循环创建了一个跟a列表等长度,元素全是0的列表。
然后再用一个for循环将a里的元素倒序放入b,最终得到一个跟a反序的列表。
其中,每一个for循环的时间复杂度都是O(n)
,2个加起来就是O(n)+O(n)
,也等于O(n+n)
,也等于O(2n)
。
也就是相当于 一段 O(n)
复杂度的代码先后执行两遍,它们的复杂度是一致的。
2、多项式级复杂度相加,选择高者为结果
有了上面的例子,这个也就好理解了。
假设,一个算法的复杂度是O(n²)+O(n)
,那么可以知道,当n越来越大,也就是输入的数据量越来越大时,n^2的变化率要比n大的多,
所以,这时候我们只取变化率更大的n^2来表示复杂度即可,也就是O(n²)+O(n)
等同于O(n²)
。
3、O(1)表示特殊复杂度
还是借助上面的反转问题,这里再使用第二种解法。
def demo_2():
a = [1, 2, 3, 4, 5]
tmp = 0
n= len(a)
for i in range(n//2): # // 表示整数除法,返回不大于结果的一个最大整数
tmp = a[i]
a[i] = a[n -i -1]
a[n -i -1] = tmp
print(a)
if __name__ == "__main__":
demo_2()
==============运行结果==============
D:\Programs\Python\Python36\python.exe D:/练习/leecode/fuzadu.py
[5, 4, 3, 2, 1]
Process finished with exit code 0
跟第一个解法相比,第二个解法少了一个for循环,而且循环次数只是到了列表的一半,那么时间复杂度就是O(n/2)
,
由于复杂度与具体的常系数无关的性质,这段代码的时间复杂度还是 O(n)
。
但是在空间复杂度上,第二个解法开辟了一个新的变量tmp
,它与数组长度无关。
输入是 5 个元素的数组,需要一个tmp
变量输入是 50 个元素的数组,同样只需要一个tmp
变量。
因此,空间复杂度与输入数组长度无关,这就是 O(1)
。
二、分析复杂度
这里就直接上一些经验性的结论,可以直接拿过来用的:
- 一个顺序结构的代码,时间复杂度是
O(1)
。 - 一个简单的 for 循环,时间复杂度是
O(n)
。 - 两个顺序执行的 for 循环,时间复杂度是
O(n)+O(n)=O(2n)
,其实也是O(n)
。 - 两个嵌套的 for 循环,时间复杂度是
O(n²)
。 - 二分查找,时间复杂度都是
O(logn)
。
趁热打铁,分析一下下面代码的复杂度:
for (i = 0; i < n; i++) {
for (j = 0; j < n; j++) {
for (k = 0; k < n; k++) {
}
for (m = 0; m < n; m++) {
}
}
}
可以先从最里面看,最内层是2个顺序结构的for循环,复杂度是O(n)
。
中间这层的又嵌套了一个for循环,所以这时候复杂度就变成了O(n^2)
。
最后,最外层又嵌套了一个for循环,所以最终的复杂度就是O(n^3)
。
虽然测试工程师的代码对于复杂度要求不高甚至说非常低,但是我觉得理解复杂度,并且会做一些简单的分析
还是很有必要的。