复杂度

复杂度

复杂度分析

  1. 数据结构和算法的目标:快、省,即执行效率和资源消耗
  2. “事后统计法”具有很大局限性,提前预估效率很重要
  3. 复杂度分析是学习算法的精髓和分析算法的利器

时间复杂度

  1. 假设每行代码执行时间意义,所有代码的执行时间 T(n) 和每行代码的执行次数 n 成正比。
T(n) = O (f(n))
  1. 大O时间复杂度表示代码执行效率随数据规模增长的变化趋势,也叫渐进时间复杂度
  2. 当n很大时,低阶、常量、系数并不左右增长趋势,可以省略,只需要记录最大量级。
  1. 只关注循环次数最多的一段代码.
  2. 加法法则:总复杂度等于量级最大的那一段代码。
  3. 乘法法则:嵌套代码的复杂度等于内外代码复杂度之积。
  1. 常见复杂度量级
    1. 非多项式量级:\(O(2^n),O(n!)\),称为NP算法,效率较低。
    2. 多项式量级:\(O(1),O(logn),O(n),O(nlogn),O(n^k)\)

\(O(1)\)

int i = 1 ;
int j = 2 ;
int sum = i + j ;

常量级时间复杂度的表示方法,即便有 3 行,也是 O(1) ,并非 O(3) 。一般情况下,只要不存在循环、递归,复杂度都为 O(1) ,与代码量无关。

\(O(logn)、O(nlogn)\)

int i = 1 ;
while ( i <= n )
{
    i = i * 2 ;
}

这段代码的复杂度为 \(O(log_2n)\),不同底数的对数可以互相转换,系数可以省略,所以统一表示为 \(O(logn)\)
\(O(nlogn)\) 表示把 \(O(logn\)) 的代码循环执行n遍。

\(O(n+m)、O(n*m)\)

T1(n) + T2(m) = O (f(n) + g(m))
T1(n) * T2(m) = O (f(n) * g(m))

当有多个数据规模,表示复杂度时不能省略。


空间复杂度

  1. 大 O 空间复杂度表示代码存储空间随数据规模增长的变化趋势,也叫渐空间间复杂度
void print(int n) 
{
    int i = 0;
    int[] a = new int[n];
    for (i; i <n; ++i) 
    {
        a[i] = i * i;
    }
}
  1. int[] a = new int[n]申请了大小为 n 的 int 类型数组,忽略常量阶的空间申请,所以上述代码空间复杂度为 O(n)。
  2. 常见的空间复杂度有\(O(1),O(n),O(n^2)\);

最好、最坏情况时间复杂度

public int find(int[] array,int n,int x)
{
    int p = -1 ;
    for(int i = 0 ; i < n ; ++i)
    {
        if(array[i] == x)
        {
            p = i ;
            break ;
        }
    }
    return p ;
}
/**
    上述代码的作用是返回数组中 x 出现的位置。
    最好:第一个就是要找-> O(1)
    最坏:遍历整个数组没有找到该元素-> O(n)
**/
  1. 最好情况时间复杂度

最理想情况下,执行这段代码的时间复杂度。

  1. 最坏情况时间复杂度

最糟糕情况下,执行这段代码的时间复杂度。

平均时间复杂度

分析上述代码,在长度为n的数组中查询x的位置,有 n+1 种情况,分别为数组的 0 到 n-1 位置上和不在数组中,把每种情况下,需要遍历的元素个数累加起来,除以 n+1 ,得到需要遍历元素个数的平均值。

\[\frac{1+2+3+...+n+n}{n+1}\quad=\quad\frac{n(n+3)}{2(n+1)} \]

忽略常量、系数、低阶,简化后时间复杂度为O(n);结果虽然正确,但是这样计算没有考虑每种情况发生的概率,正确计算过程如下:

\[1*\frac{1}{2n}+2*\frac{1}{2n}+...+n*\frac{1}{2n}+n*\frac{1}{2}=\frac{3n+1}{4} \]

此结果是加权平均值,平均时间复杂度即加权平均时间复杂度,简化后得 O(n)。

均摊时间复杂度

int[] array = new int[n];
int count = 0;
void insert(int val) 
{
  if (count == array.length) 
  {
    int sum = 0;
    for (int i = 0; i < array.length; ++i) 
    {
      sum = sum + array[i];
    }
    array[0] = sum;
    count = 1;
  }
  array[count] = val;
  ++count;
}

这段代码实现了一个往数组中插入数据的功能。当数组满了之后,即 count == array.length 时,用 for 循环遍历数组求和,将求和之后的 sum 值放到数组的第一个位置,然后从第二个 位置开始插入数据。如果数组一开始就有空闲空间,则直接将数据插入数组

分析以上代码,得出:

  1. 最好情况时间复杂度:有空闲位置,直接插入下标为 count 的位置,复杂度为 O(1)
  2. 最坏情况时间复杂度:遍历数组,复杂度为 O(n)
  3. 加权平均时间复杂度:有空闲位置 n 种情况,不空闲 1 种,概率都为\(\frac{1}{n+1}\),加权平均时间复杂度为 O(1)

\[1*\frac{1}{n+1}+1*\frac{1}{n+1}+...+n*\frac{1}{n+1}=>O(1) \]

  1. 均摊时间复杂度是用摊还分析法得出的:

    例如上述代码中,每一次 O(n) 的插入操作,都会紧跟 n-1 个 O(1) 的插入操作,把耗时多的操作均摊到接下来 O(1) 的操作上,那么这一组操作的均摊时间复杂度就是 O(1)

    对一个数据结构进行一组连续操作中,大部分情况下时间复杂度都很低,只有个别情况下时间复杂度比较高,而且这些操作之间存在前后连贯的时序关系,这个时候,我们可以将这一组操作放在一起分析,看是否能将较高时间复杂度那次操作的耗时,平摊到其他那些时间复杂度比较低的操作上。

    在能够应用均摊时间复杂度分析的场合,一般均摊时间复杂度就等于最好情况时间复杂度

posted @ 2020-02-12 14:25  pgjett  阅读(...)  评论(...编辑  收藏
loading...