contente
Compreender a complexidade do tempo e do espaço
Complexidade de tempo computacional
Complexidade do espaço computacional
1.1 Exemplos comuns de cálculo de complexidade de tempo
1.2 Cálculo da complexidade do espaço comum
Objetivos deste capítulo
1. O que é complexidade de tempo e complexidade de espaço.
2. Por que ter complexidade de tempo e complexidade de espaço.
3. Como calcular a complexidade do tempo e do espaço.
4. Exercícios Comuns de Cálculo de Complexidade
Compreender a complexidade do tempo e do espaço
Complexidade de tempo: uma medida de quão rápido um algoritmo é executado.
Complexidade do espaço: um indicador que mede a quantidade de espaço de armazenamento temporariamente ocupado pelo programa em execução.
Por que ter complexidade de tempo e complexidade de espaço?
A complexidade do tempo e a complexidade do espaço podem nos ajudar a medir os prós e os contras de um algoritmo. Em diferentes ambientes, temos diferentes requisitos para eficiência do tempo e eficiência do espaço. Portanto, a complexidade do tempo e a complexidade do espaço podem orientar os programadores a projetar de acordo com o programa ambiente. código.
Complexidade de tempo computacional
O cálculo da complexidade de tempo não exige que calculemos o tempo exato de execução do algoritmo, pois o tempo de execução é proporcional ao número de execuções, usamos o número de execuções do algoritmo como cálculo de complexidade de tempo.
Além disso, a complexidade de tempo de alguns algoritmos tem os melhores, médios e piores casos, e tomamos o pior caso como a complexidade de tempo.
Nota: O pior caso representa o número máximo de execuções do algoritmo, geralmente com sentenças condicionais.
Explique o porquê: Caso médio = (pior caso + melhor caso)/2 = pior caso/2 + melhor caso/2
O caso médio é igual ao pior caso de acordo com a notação assintótica de Big O. (semelhante a tomar o limite)
Complexidade do espaço computacional
O cálculo da complexidade do espaço é baseado no número de variáveis de aplicação.
exercício de cálculo
1.1 Exemplos comuns de cálculo de complexidade de tempo
Exemplo 1
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
Exemplo 2
void Func3(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);
}
Exemplo 3
// 计算BinarySearch的时间复杂度?
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n;
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;
}
Exemplo 4
// 计算阶乘递归Factorial的时间复杂度?
long long Factorial(size_t N)
{
return N < 2 ? N : Factorial(N-1)*N;
}
Exemplo 5
// 计算BubbleSort的时间复杂度?
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;
}
}
Exemplos de respostas e análises
1. A operação básica do exemplo 1 é executada 2N+10 vezes. Derivando o método da ordem O grande, sabemos que a complexidade de tempo é O(N)
2. A operação básica do exemplo 2 é executada M+N vezes, existem duas incógnitas M e N, e a complexidade de tempo é O(N+M)
3. A operação básica do exemplo 3 é melhor executada uma vez, e a pior é O(logN) vezes , a complexidade de tempo é O(logN) ps: logN na análise do algoritmo
significa que a base é 2 e o logaritmo é N. Em alguns lugares será escrito como lgN.
4. No Exemplo 4, verifica-se através de cálculo e análise que as operações básicas se repetem N vezes, e a complexidade de tempo é O(N).
5. A operação básica do exemplo 5 é melhor executada N vezes, e a pior é executada (N*(N+1)/2 vezes. Derivando o método de ordem O grande + complexidade de tempo é
geralmente considerado o pior, e o complexidade de tempo é O(N ^2)
1.2 Cálculo da complexidade do espaço comum
Exemplo 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;
}
}
Exemplo 2
// 计算Fibonacci的空间复杂度?
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 ;
}
Exemplo 3
// 计算阶乘递归Factorial的空间复杂度?
long long Factorial(size_t N)
{
return N < 2 ? N : Factorial(N-1)*N;
}
Exemplos de respostas e análises:
1. O Exemplo 1 usa uma quantidade constante de espaço extra, então a complexidade do espaço é O(1)
2. O Exemplo 2 abre dinamicamente N espaços, e a complexidade do espaço é O(N)
3. Exemplo 3 recursivamente chamadas N vezes, N quadros de pilha são abertos e cada quadro de pilha usa uma quantidade constante de espaço. A complexidade do espaço é O(N)