算法的时间复杂度
来源:互联网 发布:教师远程网络培训 编辑:程序博客网 时间:2024/06/05 00:50
一、 时间复杂度定义
在进行算法分析时,语句总的执行次数T(n)是关于问题规模n的函数,进而分析T(n)随n的变化情况并确定T(n)的数量级。
算法的时间复杂度,也就是算法的时间量度,记作:T(n) = O(f(n))。它表示随问题规模n的增大,算法执行时间的增长率和f(n)的增长率相同,称作算法的渐进时间复杂度,简称为时间复杂度。其中f(n)是问题规模n的某个函数。
这样用大写O()来体现算法时间复杂度的记法,我们称之为大O记法。
一般情况下,随着n的增加,T(n)增长最慢的算法称为优先算法。
二、推导大O阶方法
那么如何分析一个算法的复杂度呢?如何推导大O阶呢?
下面是推导方法:
推导大O阶:
1.用常数1取代运行时间中的所有加法常数。
2.如果修改后的运行次数函数中,只保留最高阶项。
3.如果最高阶存在且不是1,则去除与这个项相乘的常数
三、常数阶
首先顺序结构的时间复杂度。下面这个算法,也就是高斯算法,时间复杂度是多少呢?
int sum = 0, n = 100;//执行一次sum = (1 + n ) * n / 2;//执行一次printf("%d",sum);//执行一次
这个算法的运行次数函数是f(n) = 3。根据我们推导大O阶的方法,第一步就是把常数项设为3改为1。在保留最高阶项时发现,它们根本没有最高阶项,所以这个算法的时间复杂度为O(1)。
事实上无论n有多少,上面两段代码就是执行3次。这种执行时间恒定的算法,我们称之为具有O(1)的时间复杂度,又叫常数阶。
注意:不管这个常数是多少,我们都记作O(1),而不能是O(3)、O(10)等其他任何数字。
对于分支结构而言,无论是真,还是假,执行的次数都是恒定的,不会随着n的变大而发生变化,所以单纯的分支结构(不包含在循环结构中),其时间复杂度也是O(1)。
四、线性阶
线性阶的循环结构会复杂很多。要确定某个算法的阶次,我们常常需要确定某个特定语句或某个语句集运行的次数。因此,我们要分析算法的复杂度,关键就是要分析循环结构的运行情况。
下面这段代码,它的循环的时间复杂度为O(n),因为循环体中的代码需要执行n次。
int i;for(i = 0;i < n;i++){ /*时间复杂度为O(1)的程序步骤序列*/}
五、对数阶
下面这段代码,时间复杂度又是多少呢?
int count = 1;while(count < n){ count = count * 2; //时间复杂度为O(1)的程序步骤序列}
由于每次count * 2之后,就距离n更近了一分。也就是说,有多少个2相乘后大于n,就会退出循环。由2 ^ x = n 得到x = log2(n)。所以这个循环的时间复杂度为O(logn)。
六、平方阶
下面例子是一个循环嵌套,它的内循环刚才我们已经分析过,时间复杂度为O(n)。
int i,j;for(i = 0;i < n;i++){ for(j = 0;j < n;j++) { //时间复杂度为O(1)的程序步骤序列 }}
对于外层的循环,只不过是这个时间复杂度为O(n)的语句,再循环n次。以这段代码的时间复杂度为O(n^2)。
如果外循环的循环次数改为m,时间复杂度就变为O(m x n)。
int i,j;for(i = 0;i < m;i++){ for(j = 0;j < n;j++) { //时间复杂度为O(1)的程序步骤序列 }}
所以可以得出结论,循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数。
那么下面这个循环嵌套,它的时间复杂度是多少呢?
int i,j;for(i = 0;i < n;i++){ for(j = i;j < n;j++) { //时间复杂度为O(1)的程序步骤序列 }}
由于当i = 0时,内循环执行了n次,当i = 1时,执行了n - 1次,……到i = n - 1时,执行1次。所以总的次数为:
n + (n - 1) + (n - 2) + … + 1 = n ^ 2 / 2 + n /2
用上面推导方法,第一条,没有加法的常数不予考虑;第二条,只保留最高阶项,因此保留n ^ 2 / 2;第三条,去除这个项相乘的常数,也就是去除1 / 2,最终复杂度为O(n^2)。
还有个例子
int i,j;for(i = 0;i < n;i++){ function(i);}
void function(int count){ int j; for(j = count;j < n;j++) { //时间复杂度为O(1)的程序步骤序列 }}
事实上这和刚才的例子是一样的,只不过把嵌套内循环放到了函数中,最终的时间复杂度为O(n^2)。
七、常见的时间复杂度
常用的书剑复杂度所耗费的时间大小从小到大依次是:
O(1) < O(logn) < O(n) < O(nlogn) < O(n²) < O(n³) < O(2^n)< O(n!) < O(n^n)
八、最坏情况与平均情况
假设我们查找一个有n个随机数字组终的某个数字,最好的情况是第一个数字就是,那么算法的时间复杂度为O(1),但也有可能这个数字就在最后一个位置上待着,那么算法的时间复杂度为O(n),这是最坏的一种情况了。
最坏运行时间是一种保证,那就是运行时间将不会再坏了。在应用中,这是一种最重要的需求,通常,除非特别指定,我们提到的运行时间都是最坏情况的运行时间。
而平均时间从概率的角度看,这个数字在每一个位置上的可能性是相同的,所以平均查找时间为n / 2次后发现这个目标元素。
平均运行时间是所有情况中最有意义的,因为它是期望的运行时间。
对算法的分析,一种方法是计算所有情况的平均值,这种时间复杂度的计算方法称为平均时间复杂度。另一种方法时计算最坏情况下的时间复杂度,这种方法称为最坏时间复杂度。一般在没有特殊说明的情况下,都是指最坏时间复杂度。
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- 算法的时间复杂度
- U-BOOT-1.1.6-note-文件结构分析注释
- POJ 2553——The Bottom of a Graph(强连通分量)
- PAT-B 1044. 火星数字
- Java设计模式之单例模式
- 脉搏信号检测与处理系统
- 算法的时间复杂度
- PHP5.4及PHP5.5关于htmlspecialchars输出为空的问题
- 第5课:零基础实战Scala函数式编程及Spark源码解析
- java-基础-接口和抽象类
- app个人资料—头像测试
- Remote-Hotfix
- RDD数据操作之randomsplit
- C#控制台 gettypecode知道一个变量的变量类型
- py-faster-rcnn demo.py解析