算法复杂度
算法复杂度分为时间复杂度和空间复杂度。其作用: 时间复杂度是指执行算法所需要的计算工作量;而空间复杂度是指执行这个算法所需要的内存空间。(算法的复杂性体现在运行该算法时的计算机所需资源的多少上,计算机资源最重要的是时间和空间(即寄存器)资源,因此复杂度分为时间和空间复杂度)。
一 时间复杂度
在计算机科学中,算法的时间复杂度是一个函数,它定性描述了该算法的运行时间。这是一个关于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。
(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。
大O符号(Big O notation)是用于描述函数渐进行为的数学符号。更确切地说,它是用另一个(通常更简单的)函数来描述一个函数数量级的渐近上界。
T (n) = Ο(f (n)) 表示存在一个常数C,使得在当n趋于正无穷时总有 T (n) ≤ C * f(n)。
二 空间复杂度
空间复杂度(Space Complexity)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,记做S(n)=O(f(n))。
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!)
例子
1.O(1)
for(i=0;i<5;i++) ① { printf(“12345”); ② }
t=i; ③ i=j; ④ j=t; ⑤
语句1的频度为6,语句2频度为5. 语句123均为1。这些语句的执行次数(执行时间)是与问题规模n无关的一个常数。算法的时间复杂度为常数阶,记作T(n)=O(1)。
2.O(n)
for(i=0;i<n;i++) ①
{ printf("12345"); } ②
语句1的频度为n+1,语句2的频度为n。此程序的总频度为2n+1。与问题规模n成线性关系。(即n每增加1,总频度增加一个常数(n的系数))。记作T(n)=O(n).
3.O(n²)
sum=0; (1次) for(i=1;i<=n;i++) (n+1次) for(j=1;j<=n;j++) (n²次) sum++; (n²次)
因为Θ(2n2+n+1)=n2(Θ即:去低阶项,去掉常数项,去掉高阶项的常参得到),所以T(n)= =O(n2)
4.O(log n)
i=1; ① while (i<=n) i=i*2; ②
语句1的频度是1,
设语句2的频度是f(n), 则:2^f(n)<=n;f(n)<=log2n
取最大值 f(n)=log2n,
T(n)=O(log2n ) (常见于二分法程序中)
5.O(2n)
decimal Calculation(int n) { decimal result = 0; for (int i = 0; i < (1 << n); i++) result += i; return result; }
1<<n表示:1先转成二进制 在左移n位 然后补0
比如 1<<2 1的二进制为 0000 0001 左移2位 0000 0100. 如果再转成10进制就是4。
此程序n每增大1,1<<n变为原来的2倍。循环内语句执行次数变为原来的2倍。所以基本步骤的执行数量为 2n,所以算法复杂度为 O(2n)。
斐波那契数列:
- Fib(0) = 0
- Fib(1) = 1
- Fib(n) = Fib(n-1) + Fib(n-2)
F() = 0, 1, 1, 2, 3, 5, 8, 13, 21, 34 ...
斐波那契数列(非递归)
1 int FeiBoNaCciInteration(int a,int b,int num) 2 { 3 int c; 4 5 if (num <= 0) 6 return -1; 7 else if (num == 1) 8 return a; 9 else if (num == 2) 10 return b; 11 else 12 { 13 while (num - 2) 14 { 15 c = a + b; 16 a = b; 17 b = c; 18 num--; 19 } 20 return c; 21 } 22 23 }
时间复杂度 O(n) 空间复杂度O(1)
斐波那契数列(递归算法)
int FeiBoNaCciRecursion(int num) { if (num < 0) return -1; if (num <= 2 && num > 0) return 1; else return FeiBoNaCciRecursion(num - 1) + FeiBoNaCciRecursion(num - 2); }
fib(5) / ⑤ \⑧ fib(4) fib(3) /③ \ ④ / ⑥ \⑦ fib(3) fib(2) fib(2) fib(1) / ① \ ②
fib(2) fib(1)
fib(n)=fib(n-1)+fib(n-2) ,程序执行时会先把最左边那条叉走到底。返回之后走到右孩子节点,之后返回双亲节点,走到双亲右边的节点,返回到当前的上一层双亲节点,再走右边......在走到最底层它创建n个变量num,在返回过程中会销毁掉创建的num,进入新分支会创建num。所以程序走到最底层时内存占用最大,显然空间复杂度=O(n).
n每增加1,就会多出一半的路要走。所以时间复杂度=O(n2).