【数据结构与算法-java实现】一 复杂度分析(上):如何分析、统计算法的执行效率和资源消耗?
今天开始学习程序的灵魂:数据结构与算法。
本文是自己学习极客时间专栏-数据结构与算法之美后的笔记总结。如有侵权请联系我删除文章。
我们都知道,数据结构和算法本身解决的是“快”和“省”的问题,即如何让代码运行得更快,如何让代码更省存储空间。所以,执行效率是算法一个非常重要的考量指标。那如何来衡量你编写的算法代码的执行效率呢?这里就要用到我们今天要讲的内容:时间、空间复杂度分析。
复杂度分析是整个算法学习的精髓,只要掌握了它,数据结构和算法的内容基本上就掌握了一半。
1、大O复杂度表示法
算法的执行效率,粗略的说,就是代码的执行时间。但是实际上代码在被CPU执行的时候,是相当快的,这个时间我们也无法计算。所以就抽象出了一个用肉眼能够看到的时间。以例子来分析,看如下一个求和的代码:
int cal(int n) {int sum = 0;int i = 1;for (; i <= n; ++i) {sum = sum + i;}return sum;}
对于CPU来说,它只知道从内存中取指令与执行指令。所以上述代码,CPU就是一条一条的取指令与执行该指令。现在假设CPU执行每一条的指令的时间都是一样的为:p_time
。那么上述代码第二三行执行时间2*p_time
,四五六行是一个循环。所以第四五行的执行时间是2n*p_time
。所以总的执行时间是: (2n+2)*p_time
可以看到:所有代码的执行时间 T(n) 与每行代码的执行次数成正比。
按照上述思路,我们再来分析以下代码:
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;}}}
整段代码总的执行时间 T(n) = (2n2+2n+3)*p_time。
这里我们虽然不知道p_time的具体值,但是很明显,代码的总的执行时间T(n)是与n成正比(这里的正比,不是数学的正比,是随着n的增大,T(n)越来越大)。
我们可以把这种规律,总结成一个规律。此时大O就出现了。
T(n)=O(f(n))
T(n) 表示代码执行的时间;n 表示数据规模的大小;f(n) 表示每行代码执行的次数总和。因为这是一个公式,所以用 f(n) 来表示。公式中的 O,表示代码的执行时间 T(n) 与 f(n) 表达式成正比。
所以,第一个例子中的 T(n) = O(2n+2),第二个例子中的 T(n) = O(2n2+2n+3)。这就是大 O 时间复杂度表示法。
注意:大O时间复杂度表示法,并不代表代码的真正执行时间,而是代表执行的时间随数据规模增长的一种变化趋势。 简称时间复杂度。
为了简化时间复杂度的表示,以及由于一些常数,系数以及量级比较小的项对整体的变化影响不大,所以一般将他们去掉。那么以上两种例子的时间复杂度在简化以后就是:T(n)=O(n)和T(n)=O(n2)。
2、时间复杂度分析
遇到一段代码,如何分析它的时间复杂度。一般有三种方法
2.1 只关注循环次数最多的一段代码
例如如下代码:
int cal(int n) {int sum = 0;int i = 1;for (; i <= n; ++i) {sum = sum + i;}return sum;}
它的时间复杂度就位:T(n)=O(n)
2.2、加法法则
总的时间复杂度等于量级最大的那段代码的时间复杂度。
看如下代码:
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;}
上述代码中,第一段代码的循环为100次,第二段代码的循环为n次,第三段代码的时间复杂度为n2次。此时,要注意一点,任何常数次循环,都是O(1时间复杂度),不管是100次,10000次,10000000次,只要能看出是一个具体的数字,它都是O(1)时间复杂度。
由总的时间复杂度等于量级最大的那段代码的时间复杂度。所以上述代码最终时间复杂度为O(n2)
结论:
如果 T1(n)=O(f(n)),T2(n)=O(g(n));那么 T(n)=T1(n)+T2(n)=max(O(f(n)), O(g(n))) =O(max(f(n), g(n))).
2.3、乘法法则
嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
上面讲了一个复杂度分析中的加法法则,这儿还有一个乘法法则。类比一下,你应该能“猜到”公式是什么样子的吧?
如果 T1(n)=O(f(n)),T2(n)=O(g(n));那么 T(n)=T1(n)*T2(n)=O(f(n))*O(g(n))=O(f(n)*g(n)).
也就是说,假设 T1(n) = O(n),T2(n) = O(n2),则 T1(n) * T2(n) = O(n3)。落实到具体的代码上,我们可以把乘法法则看成是嵌套循环,举个例子给你解释一下。
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;}
我们单独看 cal() 函数。假设 f() 只是一个普通的操作,那第 4~6 行的时间复杂度就是,T1(n) = O(n)。但 f() 函数本身不是一个简单的操作,它的时间复杂度是 T2(n) = O(n),所以,整个 cal() 函数的时间复杂度就是,T(n) = T1(n) * T2(n) = O(n*n) = O(n2)。
3、几种常见复杂度分析
3.1、O(1)时间复杂度
如果代码中没有循环或者循环的次数是可以确定的常数,那么就是O(1)复杂度
3.2、O(logn) O(nlogn)
看下面的代码:
i=1;while (i <= n) {i = i * 2;}
设执行的次数为x,则2x=n。解得x=log2n
再看下面的代码:
i=1;while (i <= n) {i = i * 3;}
设执行的次数为x,3x=n。解得x=log3n
实际上,不管是以 2 为底、以 3 为底,还是以 10 为底,我们可以把所有对数阶的时间复杂度都记为 O(logn)。为什么呢?
我们知道,对数之间是可以互相转换的,log3n 就等于 log32 * log2n,所以 O(log3n) = O(C * log2n),其中 C=log32 是一个常量。基于我们前面的一个理论:在采用大 O 标记复杂度的时候,可以忽略系数,即 O(Cf(n)) = O(f(n))。所以,O(log2n) 就等于 O(log3n)。因此,在对数阶时间复杂度的表示方法里,我们忽略对数的“底”,统一表示为 O(logn)。
如果你理解了前面讲的 O(logn),那 O(nlogn) 就很容易理解了。还记得刚讲的乘法法则吗?如果一段代码的时间复杂度是 O(logn),我们循环执行 n 遍,时间复杂度就是 O(nlogn) 了。而且,O(nlogn) 也是一种非常常见的算法时间复杂度。比如,归并排序、快速排序的时间复杂度都是 O(nlogn)。
3.1、O(m+n)、O(m*n)
看如下代码:
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;
}
从代码中可以看出,m 和 n 是表示两个数据规模。我们无法事先评估 m 和 n 谁的量级大,所以我们在表示复杂度的时候,就不能简单地利用加法法则,省略掉其中一个。所以,上面代码的时间复杂度就是 O(m+n)。
针对这种情况,原来的加法法则就不正确了,我们需要将加法规则改为:T1(m) + T2(n) = O(f(m) + g(n))。但是乘法法则继续有效:T1(m)*T2(n) = O(f(m) * f(n))。
4、空间复杂度的分析
前面,花了很长时间讲大 O 表示法和时间复杂度分析,理解了前面讲的内容,空间复杂度分析方法学起来就非常简单了。
前面我讲过,时间复杂度表示算法的执行时间与数据规模之间的增长关系。类比一下,空间复杂度表示算法的存储空间与数据规模之间的增长关系。
看如下代码:
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]}
}
跟时间复杂度分析一样,我们可以看到,第 2 行代码中,我们申请了一个空间存储变量 i,但是它是常量阶的,跟数据规模 n 没有关系,所以我们可以忽略。第 3 行申请了一个大小为 n 的 int 类型数组,除此之外,剩下的代码都没有占用更多的空间,所以整段代码的空间复杂度就是 O(n)。
我们常见的空间复杂度就是 O(1)、O(n)、O(n2 ),像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到。而且,空间复杂度分析比时间复杂度分析要简单很多。
5、总结
复杂度也叫渐进复杂度,包括时间复杂度和空间复杂度,用来分析算法执行效率与数据规模之间的增长关系,可以粗略地表示,越高阶复杂度的算法,执行效率越低。常见的复杂度并不多,从低阶到高阶有:O(1)、O(logn)、O(n)、O(nlogn)、O(n2 )。
本文是自己学习极客时间专栏-数据结构与算法之美后的笔记总结。如有侵权请联系我删除文章。
学习探讨加个人:
qq:1126137994
微信:liu1126137994
【数据结构与算法-java实现】一 复杂度分析(上):如何分析、统计算法的执行效率和资源消耗?相关推荐
- 03|复杂度分析(上):如何分析、统计算法的执行效率和资源消耗?
目录 为什么需要复杂度分析? 大 O 复杂度表示法 时间复杂度分析 几种常见时间复杂度 空间复杂度分析 为什么需要复杂度分析? 事后统计法:代码跑一遍,通过统计.监控,就能得到算法执行的时间和占用的内 ...
- 分水岭算法java,OpenCV 学习笔记 04 深度估计与分割——GrabCut算法与分水岭算法...
1 使用普通摄像头进行深度估计 1.1 深度估计原理 这里会用到几何学中的极几何(Epipolar Geometry),它属于立体视觉(stereo vision)几何学,立体视觉是计算机视觉的一个分 ...
- 数据结构之排序算法Java实现(2)——选择类排序之堆排序算法
这个文章旨在存代码,看了很多网上写推排序的算法,感觉写的过于臃肿,我去努力地理解了思想,自己写的,有什么问题欢迎指正. 首先是升序排序,这个要建小顶堆,Java代码如下: public <T e ...
- java的 交换排序 快速排序算法_数据结构之排序算法Java实现(4)—— 交换类排序之快速排序算法...
快速排序算法属于"交换类"的排序,它的效率主要跟数据分布是否对称有关. 升序排序: /** * 快速排序 * 升序排序 */ @Override public > void ...
- 【数据结构与算法-java实现】二 复杂度分析(下):最好、最坏、平均、均摊时间复杂度的概念
上一篇文章学习了:如何分析.统计算法的执行效率和资源消耗? 点击链接查看上一篇文章:复杂度分析上 今天的文章学习以下内容: 最好情况时间复杂度 最坏情况时间复杂度 平均情况时间复杂度 均摊时间复杂度 ...
- fifo算法_前端进阶算法6:一看就懂的队列及配套算法题
引言 队列这种数据结构,据瓶子君了解,前端需要了解的队列结构主要有:双端队列.滑动窗口,它们都是算法中是比较常用的数据结构. 因此,本节主要内容为: 数据结构:队列(Queue) 双端队列(Deque ...
- Leetcode算法Java全解答--12. 整数转罗马数字
Leetcode算法Java全解答–12. 整数转罗马数字 文章目录 Leetcode算法Java全解答--12. 整数转罗马数字 题目 想法 结果 总结 代码 我的答案 大佬们的答案 测试用例 其他 ...
- Leetcode算法Java全解答--73. 矩阵置零
Leetcode算法Java全解答–73. 矩阵置零 文章目录 Leetcode算法Java全解答--73. 矩阵置零 题目 想法 结果 总结 代码 我的答案 大佬们的答案 测试用例 其他 题目 给定 ...
- Leetcode算法Java全解答--17. 电话号码的字母组合
Leetcode算法Java全解答–17. 电话号码的字母组合 文章目录 Leetcode算法Java全解答--17. 电话号码的字母组合 题目 想法 结果 总结 代码 我的答案 大佬们的答案 测试用 ...
最新文章
- ajax请求成功之后,自动打开一个空白页面,并打印出了返回内容
- RxSwift笔记七其他操作符
- silverlight 3D 游戏开发
- UE4异步编程专题 - 多线程
- 根据年月日计算是星期几的函数,基姆拉尔森计算公式
- python交并补_python两个列表求交、并、差
- Python绘制sigmoid函数及其导数图像
- http 请求_HTTP请求方法有哪些?
- jsp文字上下居中显示_jsp中怎样让文字居中 ?
- 计算机算法设计与分析 最长子序列
- socket.onmessage没有接收到服务器消息_IM服务器设计-如何解决消息的乱序
- Word文档打开后不能编辑,可以这样处理
- isalpha() / isupper() / islower()函数
- 数字图像处理与Python实现-图像信号处理-图像坏点修复
- 【C语言】杨辉三角(数组)
- JavaScript语法糖写法--JS代码优化
- 评论:UiPath Aces机器人流程自动化
- 什么是腾讯云web应用防火墙?有哪些优势以及适用于什么场景?
- 如何用快捷键关闭计算机,电脑如何快捷键关机
- 医院里的CR、DR、CT、磁共振、B超都是什么?
热门文章
- 65 modol1用户登录
- Linux 多线程开发-线程创建pthread_creat
- 2018 总结 2019 展望
- java 变量锁_并发编程高频面试题:可重入锁+线程池+内存模型等(含答案)
- 利用vue v-bind属性绑定bootstrap样式以及输出数据
- Linux 编译安装BIND
- 马昕璐201771010118《面向对象程序设计(java)》第七周学习总结
- == vs === in Javascript
- openfalcon架构及相关服务配置详解
- 05_HttpClient_模拟登陆