时间复杂度

一.算法效率

1.算法效率可以衡量一个算法的好坏

时间复杂度_第1张图片
2.算法效率分析有两种:第一种是时间效率,第二种叫空间效率。时间效率又被称为时间复杂度,而空间效率被称为空间复杂度,时间复杂度主要衡量的是一个算法的运行速度而空间复杂度主要衡量一个算法所需要的额外空间

(1.)时间复杂度

算法中的基本操作的执行次数称为算法的复杂度

(2.)大O的渐进表示法

时间复杂度_第2张图片
计算这个代码的时间复杂度:看count的执行次数,
两层循环嵌套执行了N^2次
第二个循环是执行2N次
第三层的while循环执行了10次
相加得到
时间复杂度N^2+2N+10**

实际中我们计算时间复杂度时,我们其实并不一定要计算精确的执行次数,而只需要大概执行次数那么这里我们使用大O的渐进表示法。

1.推导大O阶方法

1、用常数1取代运行时间中的所有加法常数。

2、在修改后的运行次数函数中,只保留最高阶项。

3、如果最高阶项存在且不是1,则去除与这个项目相乘的常数。得到的结果就是大O阶。

使用大O的渐进表示法以后,Func1的时间复杂度为:O(N)

N = 10 F(N) = 100

N = 100 F(N) = 10000

N = 1000 F(N) = 1000000

通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项,简洁明了的表示出了执行次数。
另外有些算法的时间复杂度存在最好、平均和最坏情况:

最坏情况:任意输入规模的最大运行次数(上界)

平均情况:任意输入规模的期望运行次数

最好情况:任意输入规模的最小运行次数(下界)

例如:在一个长度为N数组中搜索一个数据x

最好情况:1次找到

最坏情况:N次找到

平均情况:N/2次找到

在实际中一般情况关注的是算法的最坏运行情况,所以数组中搜索数据时间复杂度为O(N)

(2.)时间复杂度举例

示例1:冒泡排序的时间复杂度

时间复杂度_第3张图片
我们通过大O阶法可以得到冒泡排序的时间复杂度为O(N^2)

示例2:二分查找的时间复杂度
时间复杂度_第4张图片
示例3:斐波那契的时间复杂度
时间复杂度_第5张图片

你可能感兴趣的:(算法,数据结构)