浅谈时间复杂度
作者:互联网
在此之前,先了解他们是如何产生的。学习数据结构与算法本身就是为了让代码可以高效运行,更省存储空间。而考究算法的质量就用到了时间、空间复杂度。
一、时间复杂度
一个算法执行所耗费的时间,从理论上是不能算出来的,必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试,只需知道哪个算法花费的时间多,哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或「时间频度」。记为T(n)。
时间频度T(n)中,n称为问题的规模,当n不断变化时,时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律,为此我们引入时间复杂度的概念。算法的时间复杂度也就是算法的时间度量,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「时间复杂度」。
这种表示方法我们称为「 大O符号表示法」,又称为渐进符号,是用于描述函数渐进行为的数学符号
T(n)不同,但时间复杂度可能相同。如:T(n) = n2+3n+2,T(n) = n2+5n+8 ,T(n)不同,但时间复杂度都为O(n2)
计算时间复杂度的方法
- 用常数1(代表常数项的复杂度为O(1))来代替运行时间中的所有加法常数
- 修改后的运行次数函数中,只保留了最高阶项
- 去除最高阶项的系数
常见的的时间复杂度(按照按照耗费的时间由低到高排序):
描述 | 时间复杂度 |
---|---|
常数阶 | O(1) |
对数阶 | O(logn) |
线性阶 | O(n) |
线性对数阶 | O(nlogn) |
平方阶 | O(n²) |
立方阶 | O(n³) |
k次方阶 | O(nk) |
指数阶 | O(2n) |
阶乘阶 | O(n!) |
解析
-
O(1)
O(1)表示常量阶时间复杂度,并非只执行一行代码。代码的的执行时间不是随着n的增大而增大的,这样的代码的时间复杂度都为O(1)。一般来讲算法中不存在循环、递归,即使代码有很多行,时间复杂度依然为O(1)。
public static void main(String[] args){ int a = 2;//执行一次 int b = 3;//执行一次 int sum = a+b;//执行一次 }
哈希算法就是典型的O(1)时间复杂度,无论数据规模多大,都可以在一次计算后找到目标(不考虑冲突的话)
-
O(n)
O(n)表示线性阶时间复杂度,大部分遍历就是线性级算法。
public static void main(String[] args){ int sum = 0;//执行1次 int n = 100;//1次 for(int i =1; i<=100 ; i++){ sum +=i; //执行n次 } }
-
O(log2n)
O(log2n)表示对数阶时间复杂度,如下代码,在while循环里面,每次都将 count 乘以 2,乘完之后,count 距离 n 就越来越近了。假设循环x次之后,count 就大于 2 了,此时这个循环就退出了,也就是说 2 的 x 次方等于 n,那么 x = log2n也就是说当循环 log2n 次以后,这个代码就结束了。因此这个代码的时间复杂度为:O(log2n) 。 O(log2n) 的这个2 时间上是根据代码变化的,count = count * 3 ,则是 O(log2n) 。
int count = 1; while (count < n){ count = count * 2; /* 时间复杂度为O(1)的程序步骤序列 */ }
-
O(nlog2n)
线性对数阶O(nlogN) 其实就是将时间复杂度为O(logn)的代码循环N遍的话,那么它的时间复杂度就是 n * O(logN),也就是了O(nlogN)
for(i = 1 ; i < n ; i++){ int j = 1; while(j < n){ j = j * 2 ; } }
-
O(n²)
表示一个算法的性能将会随着输入数据的增长而呈现出二次增长。最常见的就是对输入数据进行嵌套循环。如果嵌套层级不断深入的话,算法的性能将会变为立方阶O(n3)、O(n4)、O(nk)以此类推
for(int i=0;i<n;i++){ // 循环次数为 n for(int j=0;j<n;i++){// 循环次数为 n //复杂度为O(1)的算法 ... } }
-
O(2n)
表示一个算法的性能会随着输入数据的每次增加而增大两倍,典型的方法就是裴波那契数列的递归计算实现
public int getFbnqNum(int n){ if (n <= 1){ return n; } return getFbnqNum(n-1)+getFbnqNum(n-2); }
二、常用排序算法对比
排序算法 | 平均时间复杂度 | 最好情况 | 最坏情况 | 空间复杂度 | 稳定性 |
---|---|---|---|---|---|
冒泡排序 | O(n2) | O(n) | O(n2) | O(1) | 稳定 |
选择排序 | O(n2) | O(n2) | O(n2) | O(1) | 不稳定 |
插入排序 | O(n2) | O(n) | O(n2) | O(1) | 稳定 |
希尔排序 | O(nlog2n) | O(nlog2n) | O(n2) | O(1) | 不稳定 |
归并排序 | O(nlog2n) | O(nlog2n) | O(nlog2n) | O(n) | 稳定 |
快速排序 | O(nlog2n) | O(nlog2n) | O(n2) | O(nlog2n) | 不稳定 |
堆排序 | O(nlog2n) | O(nlog2n) | O(nlog2n) | O(1) | 不稳定 |
计数排序 | O(n+k) | O(n+k) | O(n+k) | O(n+k) | 稳定 |
桶排序 | O(n+k) | O(n) | O(n2) | O(n+k) | 稳定 |
基数排序 | O(n*k) | O(n*k) | O(n*k) | O(n+k) | 稳定 |
(k:代表桶)
标签:浅谈,int,复杂度,nlog2n,算法,时间,n2 来源: https://blog.51cto.com/u_15182994/3035802