复杂度分析

原创已于 2023-02-17 16:39:22 修改 · 163 阅读

1 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#算法 #数据结构

于 2023-02-17 16:33:29 首次发布

数据结构和算法专栏收录该内容

5 篇文章

订阅专栏

前言

数据结构和算法解决的问题是’快’和’省’，如何让代码运行更快，让代码运行时更节省存储空间，就需要对代码进行执行效率的评估。
如何进行评估就需要用到下面所用的时间、空间复杂度分析。

大O复杂度表示法

下面有一段代码，看一下它的执行时间是多少？

int cal(int n) {
    int sum = 0;
	int i = 1;
	for (; i <= n; ++i) {
    	sum = sum + i;
	}
	return sum;
}

我们可以粗略估计一下，假定每行代码执行的时间都一样，为time。在这个假定的基础之上，这段代码执行的总时间为多少？

第2 第3行代码分别需要一个time的执行时间
第4 第5行代码都运行了n遍，用了2n*time
所以总共用时 （2n+2）*time

可以看出来，所有代码的执行时间T(n)与每行代码的执行次数成正比。

那么下面这行代码呢？

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;
    	}
	}
}

结果就是T(n) = (2n^2+2n+3)*time

我们可以把这个规律总结出一个公式:

T(n) = O(f(n))

具体解释一下这个公式：
T(n)表示代码执行的时间；
n表示规模的大小；
f(n)表示每行代码执行的次数总和

所以第一个例子中T(n) = O(2n+2)，第二个例子中T(n) = O(2n^2+2n+3)。这就是大O时间复杂度表示法。大O时间复杂度实际上并不具体的表示代码真正的执行时间，而是表示代码执行时间岁数据规模增长的变化趋势，也叫做渐进时间复杂度（时间复杂度）。
当n很大的时候，公式中的低阶、常量、系数并不左右增长的趋势，只需要记录一个最大的量级即可。
如果用大O表示法，那么刚刚两段的代码时间复杂度为：
T(n) = O(n)；
T(n) = O(n^2)

时间复杂度分析

1.只关注循环执行次数最多的一段代码

像大O这种复杂度表示法表示是一种变化的趋势，我们通常会忽略公式中的低阶、常量、系数，只需要记录一个最大阶的量级即可。

int cal(int n) {
   int sum = 0;
   int i = 1;
   for (; i <= n; ++i) {
     sum = sum + i;
   }
   return sum;
 }

上面的例子，第2，,3行代码都是常量级的执行时间，与n的大小无关，所以对于复杂度并没有影响。循环执行次数最多的是4，5行代码。这两端代码执行了n次，所以总的时间复杂度是O(n)

2.加法法则：总复杂度等于量级最大的那段代码的复杂度

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;
 }

这个代码分为三个部分，分别求sum_1、sum_2、sum_3的值。我们可以分为三段，求每一个段的时间复杂度，然后放到一块，再取一个量级最大的作为整段代码的复杂度。

第一段循环执行了100次，但只是一个常量的执行时间，与n无关
第二段循环了n次，所以时间复杂度为O(n)
第三段循环了n*n次，所以时间复杂度为O(n^2)
综合这三段代码，我们取最大的量级，所以整段代码的时间复杂度为O(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

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;
 }

算一下上面的时间复杂度
f()方法的时间复杂度为O(n)，call()方法因为在4，5行循环了n次，同时调用了n次的f()方法，所以整个call()函数的时间复杂度为O(n*n) = O(n^2)

几种常见的复杂度分析

1.O(1)

O(1)只是常量级时间复杂度的一种表示方法，并不只是只执行了一行代码。

int i = 8;
int j = 6;
int sum = i + j;

上面的代码即便有3行，它的时间复杂度也是O(1)，而不是O(3)。
只要代码的执行时间不随n的增大而增大，那这样代码时间复杂度一般都记作O(1)或者一般情况下，只要代码中不存在循环语句、递归语句，即使有成千上万的代码，时间复杂度也是O(1)。

2.O(logn)、O(nlogn)

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

从代码中可以看出来，变量i的值从1开始，每次循环都要乘以2，当大于n的时候，循环结束。实际上，变量i的取值就是一个等比数列。
所以只要我们知道这个x是多少，就知道这段代码的执行次数了。
通过2^x = n求解x — 》 x = log2n
实际上，不管是以2为底，还是3，还是10，我们的时间复杂度都记作为O(logn)。

那O(nlogn)如何而来，如果一段代码的时间复杂度为O(logn)，那我们执行n遍不就是O(nlogn)了吗。比如归并排序、快速排序的时间复杂度都是O(nlogn)。

3.O(m+n)、O(m*n)

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;
}

第一段代码时间复杂度为O(m)，第二段代码时间复杂度为O(n)。我们无法评估m和n谁的量极大，所以在表示时间复杂度的时候，就不能简单的用加法法则，所以上面的代码时间复杂度为O(m+n)。

空间复杂度分析

空间复杂度表示的算法的空间存储和数据规模之间的增长关系。

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]
  }
}