数据结构与算法之时间复杂度和空间复杂度(C语言版)

1. 时间复杂度

1.1 概念

简而言之,算法中的基本操作的执行次数,叫做算法的时间复杂度。也就是说,我这个程序执行了多少次,时间复杂度就是多少。

比如下面这段代码的执行次数:

void Func1(int N)
{
    int count = 0;
    for (int i = 0; i < N ; ++ i)
    {
        for (int j = 0; j < N ; ++ j)
        {
            ++count;
        }
    }

    for (int k = 0; k < 2 * N ; ++ k)
    {
        ++count;
    }
    int M = 10;
    while (M--)
    {
        ++count;
    }
    printf("%d\n", count);
}

Func1执行的基本操作次数:

F(N) = N^2 + 2*N + 10

在这里两层for循环的次数是N^2,第二个for循环的次数是2*N,while循环的次数是10
所以这个算法中的基本操作次数就是 N^2 + 2*N + 10。

那我们的时间复杂度就是这个吗,其实不是的。实际上我们在计算时间复杂度的时候,我们并不一定要计算精确的执行次数,而只需要大概执行次数。

这又是为什么呢?

当N = 10的时候,F(N) = 130

当 N = 100 的时候,F(N) = 10210

当 N = 1000 的时候,F(N) = 1002010

我们发现当N趋于无穷大的时候,对F(N)影响最大的是N^2,这就跟我们在数学里找极限一样,抓大头,找影响最大的一项,用影响最大的一项来表示我们的时间复杂度

这种表示方法我们称作大O的渐进表示法。

1.2大O的渐进表示法
 

大O符号(Big O notation):用于描述函数渐进行为的数学符号。
 

基本执行次数用大O阶方法表示的规则:
 

1. 如果执行次数中出现加法常数(无论多大,只要是常数),用1来代替。

2. 如果执行次数是多项式,执行次数只保留最高阶项(最高次项)

3. 如果最高阶项存在且不是1,舍去系数。

4.经过1,2,3操作得到的结果就是大O阶表示。

所以我们上面的F(N) = N^2 + 2*N + 10 用大O阶表示就是 O(N^2)。
 

1.3 最好,平均,最坏情况

有些算法的时间复杂度是存在最好,平均,最坏情况的。

1.最好情况:基本操作次数的最小值

2.平均情况:期望的基本操作次数

3.最坏情况:基本操作次数的最大值

但是在实际中我们都是用最坏情况来表示时间复杂度

1.4 时间复杂度例题

1.4.1 例题1

void Func2(int N)
{
    int count = 0;
    for (int k = 0; k < 2 * N ; ++ k)
    {
        ++count;
    }
    int M = 10;
    while (M--)
    {
        ++count;
    }
    printf("%d\n", count);
}

答案:O(N)

基本执行次数是(2 * N + 10),用大O阶表示为O(N)

1.4.2 例题2

void Func3(int N, int M)
{
    int count = 0;
    for (int k = 0; k < M; ++ k)
    {
        ++count;
    }
    for (int k = 0; k < N ; ++ k)
    {
        ++count;
    }
    printf("%d\n", count);
}

答案:O(M+N)

基本执行次数是M+N次,由于有两个未知数M和N,所以大O阶表示为O(M+N)

1.4.3 例题3

void Func4(int N)
{
    int count = 0;
    for (int k = 0; k < 100; ++ k)
    {
        ++count;
    }
    printf("%d\n", count);
}

答案:O(1)

基本执行次数是100次,用大O阶表示为O(1)

1.4.4 例题4

void BubbleSort(int* a, int n)
{
    assert(a);
    for (size_t end = n; end > 0; --end)
    {
        int exchange = 0;
        for (size_t i = 1; i < end; ++i)
        {
            if (a[i-1] > a[i])
            {
                Swap(&a[i-1], &a[i]);
                exchange = 1;
            }
        }
        if (exchange == 0)
            break;
    }
}

答案:O(N^2)

基本操作次数是(n-1)+(n-2)+(n-3)+....+3+2+1 = ((n + 1) * n) / 2

最好情况就是遍历一次就排序成功,基本操作次数是n-1,大O阶表示是O(N)

最坏情况就是全部遍历完,基本操作次数是((n + 1) * n) / 2,大O阶表示为O(N^2)

时间复杂度一般看最坏情况,为O(N^2)

大O表示为O(N^2)

1.4.5 例题5

int BinarySearch(int* a, int n, int x)
{
    assert(a);
    int begin = 0;
    int end = n-1;
    // [begin, end]:begin和end是左闭右闭区间,因此有=号
    while (begin <= end)
    {
        int mid = begin + ((end-begin)>>1);
        if (a[mid] < x)
            begin = mid+1;
        else if (a[mid] > x)
            end = mid-1;
        else
            return mid;
    }
    return -1;
}

答案:O(log N)

这个算法是二分查找

最好情况是查找一次,为O(1)

最坏情况是begin = end 了,只剩了一个元素,我们可以设循环的次数是x,一次循环我们是砍掉了一半的数组元素,那到最后没有元素了,说明n / 2^x = 1  

所以x = log n(以2为底)。时间复杂度的大O阶表示就是O(logN)

我们规定以2为底的对数函数写成 log N 

1.4.6 例题6

long long Fac(size_t N)
{
    if(0 == N)
        return 1;

    return Fac(N-1)*N;
}

答案:O(N)

基本操作次数:这个函数一共递归了N次,时间复杂度就是O(N)

1.4.7 例题7

long long Fib(size_t N)
{
    if(N < 3)
        return 1;

    return Fib(N-1) + Fib(N-2);
}

答案:O(2^N)

基本操作次数:这个函数递归了1+2+4+8+... 是一个不完整的等比数列,在N<3之后不会递归,但是不影响整体的趋势,可以忽略不计,这个等比数列的和是2^n - 1

所以大O阶表示为O(2^n)

2.空间复杂度

2.1概念

空间复杂度指的是临时占用存储空间大小的量度,需要注意的是空间复杂度并不是程序占了多少个字节的空间,因为没有什么太大意义,所以空间复杂度指的是新创建的变量个数

空间复杂度计算规则和时间复杂度基本一致,用大O阶渐渐表示法。

注意⚠️⚠️⚠️:

1. 计算空间复杂度时,一般不需要考虑函数的形式参数。空间复杂度主要关注的是算法执行过程中所占用的额外空间,而函数的形式参数在函数调用时会被压入调用栈中,属于函数调用过程中的内存分配,并不计入空间复杂度的计算。

2. 递归算法在每次递归调用时需要维护函数调用栈,而函数调用栈会占用额外的内存空间,所以其空间复杂度为递归所使用的堆栈空间的大小。

2.2 空间复杂度例题

2.2.1 例题1

void BubbleSort(int* a, int n)
{
    assert(a);
    for (size_t end = n; end > 0; --end)
    {
        int exchange = 0;
        for (size_t i = 1; i < end; ++i) 
        {
            if (a[i - 1] > a[i]) 
            {
                Swap(&a[i - 1], &a[i]);
                exchange = 1;
            }
        }
        if (exchange == 0)
            break;
    }
}

这个冒泡排序临时创建的变量分别是 end , exchange 和 i  一共三个,是常数个。

所以空间复杂度用大O阶表示为O(1)

2.2.2 例题2

long long* Fibonacci(size_t n)
{
    if(n==0)
        return NULL;

    long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
    fibArray[0] = 0;
    fibArray[1] = 1;
    for (int i = 2; i <= n ; ++i)
    {
        fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
    }
    return fibArray;
}

这个算法我们直接看新创建的变量是fibArray这个数组,是动态开辟的一个数组,开辟了n+1个空间,还有个i变量,一共是n+2个变量。

用大O阶表示为O(n)

2.2.3 例题3

long long Fac(size_t N)
{
    if(N == 0)
        return 1;

    return Fac(N-1)*N;
}

首先我们要明确的是这是一个函数递归调用

数据结构与算法之时间复杂度和空间复杂度(C语言版)_第1张图片

我们函数递归一共要递归N次,共创建新的栈空间N个

所以空间复杂度为O(N)

2.2.4 例题4

long long Fib(size_t N)
{
    if(N < 3)
        return 1;

    return Fib(N-1) + Fib(N-2);
}

此时的空间复杂度是多少呢? O(2^N)? 还是O(N)?

我们画图来说明

数据结构与算法之时间复杂度和空间复杂度(C语言版)_第2张图片


我们来看这个函数的递归调用并不是同时进行的,而是先调用左边的,左边调用完了,最下面Fib(2)往回销毁空间之后才去调用Fib(1),也就是在这个时候才开辟Fib(1)的空间

数据结构与算法之时间复杂度和空间复杂度(C语言版)_第3张图片

蓝色箭头代表从Fib(3)到Fib(2)先开辟Fib(2)的栈空间,当调用结束的时候,这段空间就要销毁,于是就有了红色的箭头代表销毁Fib(2)的空间,销毁之后我们才开始调用Fib(1),绿色箭头代表调用Fib(1),此时就要开辟Fib(1)的空间,要知道的是我们刚刚销毁一个栈空间,现在又要开辟一个栈空间,所以空间是被重复利用的,也就是黄色的箭头,Fib(1)的空间跟Fib(2)的空间是同一块空间。

所以我们真正开辟的空间只有从Fib(N)到Fib(2)这一段,其他的调用函数,都是在重复利用栈空间的过程。

所以空间复杂度是O(N)

总结:时间是累积的,一去不复返
     
       空间是可以重复利用的。 

3.常见复杂度的对比

常数阶 O(1) 5201314
线性阶 O(N) 3N+1
平方阶 O(N^2) 2N^2 + 3N + 1
对数阶 O(logN) 3log(2)N + 2
NlogN阶 O(NlogN) 2N+3Nlog(2)N + 1
立方阶 O(N^3) 3N^3+2N^2+N+1
指数阶 O(2^N) 2^N
O(1)  <  O(log n)  <  O(n)  <  O(nlogn)  <  O(n^2)  <  O(n^3)  <  O(2^n)  <  O(n!)  <  O(n^n)

你可能感兴趣的:(数据结构)