【算法学习】算法的时间复杂度与空间复杂度

时间复杂度

1.时间频度

一个算法执行所耗费的时间,从理论上来说是不能计算出来的,必须通过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

在刚才提到的问题当中,n称为问题的规模,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)),O(f(n)) 为算法的渐进时间复杂度,简称时间复杂度。 

在各种不同算法中,若算法中语句执行次数为一个常数,则时间复杂度为O(1)。另外,在时间频度不相同时,时间复杂度有可能相同,如T(n)=n^2+3n+4与T(n)=4n^2+2n+1它们的频度不同,但时间复杂度相同,都为O(n^2)。

按数量级递增排列,常见的时间复杂度有:

常数阶O(1) ,  对数阶O(log_{2}n)  ,  线性阶O(n)  ,   线性对数阶O(nlog_{2}n)  ,  平方阶O(n^2),立方阶O(n^3), k次方阶O(n^k),指数阶O(2^{n}).

随着问题规模n的不断增大,上述时间复杂度不断增大,算法的执行效率越低。

空间复杂度

与时间复杂度类似,空间复杂度是指算法在计算机内执行时所需存储空间的度量。记作: S(n)=O(f(n))

常见的算法时间复杂度

  • O(1): 表示算法的运行时间为常量
  • O(n): 表示该算法是线性算法
  • O(2n): 二分查找算法
  • O(n2): 对数组进行排序的各种简单算法,例如直接插入排序的算法。
  • O(n3): 做两个n阶矩阵的乘法运算
  • O(2n): 求具有n个元素集合的所有子集的算法
  • O(n!): 求具有N个元素的全排列的算法

时间复杂度计算实例

O(1)

Temp=i;
i=j;
j=temp;    

以上三条单个语句的频度均为1,该程序段的执行时间是一个与问题规模n无关的常数。算法的时间复杂度为常数阶,记作T(n)=O(1)。如果算法的执行时间不随着问题规模n的增加而增长,即使算法中有上千条语句,其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)

O(\mathbf{n^2})

语句1:交换ij的内容

sum=0;                 (一次)
for(i=1;i<=n;i++)       (n+1次 )
    for(j=1;j<=n;j++)   (n^2次 )
        sum++;         (n^2次 )

T(n)=2n^2+n+1 =O(n^2)

语句2:

for (i=1;i<n;i++)
    {
        y=y+1;         ①   
        for (j=0;j<=(2*n);j++)    
           x++;        ②      
    }

语句1的频度是n-1

语句2的频度是(n-1)*(2n+1)=2n^2-n-1

f(n)=2n^2-n-1+(n-1)=2n^2-2

该程序的时间复杂度T(n)=O(n^2). 

O(n) 

    a=0;
    b=1;                      ①
    for (i=1;i<=n;i++) ②
    {  
       s=a+b;    ③
       b=a;     ④  
       a=s;     ⑤
    }

语句1的频度:2,        

语句2的频度: n,        

语句3的频度: n-1,        

语句4的频度:n-1,    

语句5的频度:n-1,                                  

T(n)=2+n+3(n-1)=4n-1=O(n).

\mathbf{O\left ( log_{2}n\mathbf{} \right )}

for (int i = 2; i < n; i++) {
        i *= 2;
        printf("%i\n", i);
    }

设循环体的频度是f(n),   则:2^f(n)<=n;f(n)<=log_{2}n

取最大值f(n)= log_{2}n,

T(n)=O(log_{2}n )

发布了169 篇原创文章 · 获赞 101 · 访问量 7万+

猜你喜欢

转载自blog.csdn.net/zzu_seu/article/details/102733942