时间复杂度和空间复杂度看起来就像数学中的一些公式,初次接触感觉可能会很难,因为我们总是会情不自禁的想像学数学那样通过推演它来理解它,其实并不需要如此,本文会介绍如何轻松的理解它们。
一个算法中语句的执行次数称为时间频度,记为T(n)。
private static void test() {
int n = 10;
for(int i=0;i<n;i++){
System.out.println(i);
}
}
时间频度为T(n)=n+1,n是算法的规模。示例中算法的规模为10,为何结果是11而不是10,这是因为i
一般情况下,算法中的基本操作语句的重复执行次数是问题规模n的某个函数,用T(n)表示,若有某个辅助函数f(n),使得当n趋于无穷大时,T(n)/f(n)的极限值为不等于零的常数,则称f(n)为T(n)的同数量级函数。记作T(n)=O(f(n)),称O(f(n))为算法的渐进时间复杂度,简称时间复杂度。
1)用常数1代替时间频度函数中的常数项。
2)只保留时间频度函数中最高阶项,去掉其它低次项。
3)去掉最后保留项的系数。
由上述方法可知,T(n)=n2+7n+6和T(n)=3n2+2n+2它们的T(n)不同,但时间复杂度相同,都是O(n2)
private static void test() {
int n = 10;
for(int i=0;i<n;i++){
System.out.println(i);
}
}
前面已经分析出算法的时间频度为T(n)=n+1,通过计算时间复杂度的方法可得出时间复杂度为O(n)=n。
private static void test() {
int i = 1;
int j = 2;
int m = i + j;
System.out.println(m);
}
private static void test() {
int i = 1;
int n = 8;
while(i<n){
i *= 2;
}
System.out.println(i);
}
private static void test() {
int n = 10;
for(int i=0;i<n;i++){
System.out.println(i);
}
}
private static void test() {
int n = 10;
for (int i = 0; i < n; i++) {
int j = 1;
while (j < n) {
j *= 2;
}
}
}
private static void test() {
int n = 10;
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
System.out.println(i * j);
}
}
}
private static void test() {
int n = 10;
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
for (int k = 0; k < n; k++) {
System.out.println(i * j * k);
}
}
}
}
private static int fibonacci(int n) {
if(n<=1){
return 1;
}else{
return fibonacci(n-1)+fibonacci(n-2);
}
}
类似于时间复杂度的分析,一个算法的空间复杂度定义为该算法所耗费的存储空间,它也是问题规模n的函数,渐进空间复杂度简称为空间复杂度。
private static void test() {
int n = 10;
for(int i=0;i<n;i++){
System.out.println(i);
}
}
跟时间复杂度的分析类似,该算法所占用的空间在运行过程中始终是不变的,也就是算法所占用的空间不随问题规模n的变化而变化,由此可得知算法的空间复杂度为O(1),其它各种类型的空间复杂度分析也与时间复杂度的分析类似。
学会了时间复杂度和空间复杂度的分析,我们才算是正式步入了算法学习的大门,不管前路再艰难,我都会坚定不移的走下去。