- 正在學習的算法課程:極客時間的王爭老師的《數據結構與算法之美》
- 傳送門: https://time.geekbang.org/column/126
- 目前學到第三講,很良心,共56講,推薦想學數據結構的同學
- 以下爲學習筆記,最近忙着寫論文,今天差不多完成了初稿了,爭取日更
- 2019/09/22
一、時間複雜度影響因素
- 測試環境
- 數據級規模大小
二、時間複雜度概念 - 大O
帶着問題學習
Q1. 以下代碼的執行時間爲?
int cal(int n) {
int sum = 0;
int i = 1;
for (; i <= n; ++i) {
sum = sum + i;
}
return sum;
}
A: 總共:1 + 1 + n + n = 2n +2
Q2. 以下代碼的執行時間爲?
int cal(int n) {
int sum = 0;
int i = 1;
int j = 1;
for (; i <= n; ++i) {
j = 1;
for (; j <= n; ++j) {
sum = sum + i * j;
}
}
}
A:
結論: ** 所有代碼執行時間T(n)與每行代碼的執行次數成正比 **
1. 概念
大O: 其中,n是數據規模的大小。代碼的執行時間T(n)和每一行代碼的執行時間f(n)成正比,表示代碼執行時間隨着數據集數據規模增長的變化趨勢,全名叫做時間漸進複雜度,簡稱時間複雜度( 只保留最高階)
2. 時間複雜度技巧分析
- 只關注循環次數做的一段代碼
int cal(int n) {
int sum = 0;
int i = 1;
for (; i <= n; ++i) {
sum = sum + i;
}
return sum;
}
時間複雜度:O(n)
- 加法法則,只保留最大量級
int cal(int n) {
int sum_1 = 0;
int p = 1;
for (; p < 100; ++p) {
sum_1 = sum_1 + p;
}
int sum_2 = 0;
int q = 1;
for (; q < n; ++q) {
sum_2 = sum_2 + q;
}
int sum_3 = 0;
int i = 1;
int j = 1;
for (; i <= n; ++i) {
j = 1;
for (; j <= n; ++j) {
sum_3 = sum_3 + i * j;
}
}
return sum_1 + sum_2 + sum_3;
}
時間複雜度:
- 乘法法則:嵌套代碼的複雜度爲嵌套內外代碼複雜度的乘積
int cal(int n) {
int ret = 0;
int i = 1;
for (; i < n; ++i) {
ret = ret + f(i);
}
}
int f(int n) {
int sum = 0;
int i = 1;
for (; i < n; ++i) {
sum = sum + i;
}
return sum;
}
時間複雜度:
3. 幾種常見時間複雜度
- O(1)
代碼運算爲常量級的時間複雜度,與數據規模n無關,均爲O(1)
int i = 8;
int j = 6;
int sum = i + j;
- O(logn)、O(nlogn)
通過代碼來解析O(logn),看如下代碼:
i=1;
while (i <= n) {
i = i * 2;
}
上述代碼的時間複雜度即爲第三行代碼計算所需的時間,第三行代碼計算時間所需如下:
轉換成了求x的值, ,那麼即爲在複雜度外面嵌套一層時間複雜度爲n的代碼
Ps: 不管對數底爲幾,統記爲,可以這麼記的原因是對數的相互轉換公式
- O(m+n)、O(m*n)
看代碼解析,代碼如下:
int cal(int m, int n) {
int sum_1 = 0;
int i = 1;
for (; i < m; ++i) {
sum_1 = sum_1 + i;
}
int sum_2 = 0;
int j = 1;
for (; j < n; ++j) {
sum_2 = sum_2 + j;
}
return sum_1 + sum_2;
}
m和n是兩個數據集的規模大小,m和n的誰大誰小未知,因此時間複雜度爲O(m+n)
三、空間複雜度分析
1. 概念
時間複雜度的全稱是漸進時間複雜度,表示算法的執行時間與數據規模之間的增長關係;
空間複雜度的全稱是漸進空間複雜度,表示算法的存儲空間和數據規模之間的增長關係
2. 代碼分析 & 常用的空間複雜度
先上代碼:
void print(int n) {
int i = 0;
int[] a = new int[n];
for (i; i <n; ++i) {
a[i] = i * i;
}
for (i = n-1; i >= 0; --i) {
print out a[i]
}
}
看第三行代碼,申請了一個大小爲n的int型數據,之後的代碼都是在該數據中操作,並沒有改變大小,因此上述代碼的空間複雜度爲O(n)
- 平時常用的空間複雜度:O(1)、O(n)、,很少用到對數的複雜度
四、小結
- 從低階到高階的複雜度:O(1)、O(logn)、O(n)、O(nlogn)、
- 課後代碼實現題(2019年地平線浙大秋招現場編程題)
給定一個數組,一開始順序從小變大,接着到達某個值之後,順序從大變小,請設計一個複雜度爲O(logn)的算法,找到這個最大值
update:2019/09/23
# coding=utf-8
'''
@ Summary: 給定一個數組,一開始順序從小變大,接着到達某個值之後,順序從大變小,請設計一個複雜
度爲O(logn)的算法,找到這個最大值
思路: 判斷中點,舍掉左邊或者右邊,遞歸
@ Update:
@ file: O(nlogn).py
@ version: 1.0.0
@ Author: [email protected]
@ Date: 19-9-23 下午6:05
'''
def local_maximum(l):
if not l:
return None
if len(l) == 1:
return l[0]
else:
mid = int(len(l)/2)
l = l[:mid+1] if l[mid] >= l[mid+1] else l[mid+1:]
return local_maximum(l)
if __name__ == "__main__":
# import sys
# _list = list(map(int, sys.stdin.readline().strip().split()))
_list = [1, 2, 3, 4, 3, 2]
result = local_maximum(_list)
print(result)