算法時間複雜度:
推導大O階:
1、用常數1取代運行時間中所有的加法常數;
2、在修改後的運行次數函數中,只保留最高階;
3、如果最高項存在且不是1,則去掉與這個項相乘的常數;得到的結果就是大O階。
常數階
線性階 如單層for循環
對數階 如
while (count<n)
{
count = count * 2;
}
平方階 如雙層for循環
// 下面的嵌套循環,時間複雜度是多少呢?
int i,j;
for (i=0; i<n; i++)
{
for (j=i; j<n; j++)
{
// 時間複雜度爲O(1)的程序步驟序列
}
}
當i=0時,內循環執行了n次,當i=1時,執行了n-1次,……當i=n-1時,執行了1次。所以總的執行次數爲:
n + (n-1) + (n-2) + ... + 1 = n(n+1)/2 = n^2/2 + n/2
用我們推導大O階的方法,第一條,沒有加法常數不予考慮;第二條,只保留最高階,因此保留n^2/2;第三條,去除這個項相乘的乘數,也就是出去1/2,最終這段代碼的時間複雜度爲O(n^2)。
常見時間複雜度:
耗費時間:
O(1) < O(logn) < O(n) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)
最壞情況與平均情況:
最壞情況運行時間是一種保證,那就是運行時間將不會再壞了。在應用中,這是一種最重要的需求,通常,除非特別指定,我們提到的運行時間都是最壞情況的運行時間。
平均運行時間是所有情況中最有意義的,因爲它是期望的運行時間。 現實中,平均運行時間很難通過分析得到,一般都是通過運行一定數量的實驗數據後估算出來的。
一般在沒有特殊說明的情況下,都是指最壞時間複雜度。
算法空間複雜度:
一般情況下,一個程序在機器上執行時,除了需要存儲程序本身的指令、常數、變量和輸入數據外,還需要存儲對數據操作的存儲單元。若輸入數據所佔用空間只取決於問題本身,和算法無關,這樣只要分析該算法在實現時所需的輔助單元即可。若算法執行時間所需的輔助空間相對於輸入數據量而言是個常數,則稱此算法爲原地工作,空間複雜度爲O(1)。
當不用限定詞地使用“複雜度”時,通常都是指時間複雜度。