写点什么

数据结构和算法学习总结 - 复杂度分析

用户头像
Nick
关注
发布于: 2021 年 01 月 31 日
数据结构和算法学习总结-复杂度分析

数据结构和算法要解决的问题,1 是快,2 是省。

1.快,让代码运行的更快,代码具有更低的时间复杂度。 

2.省,让代码更省存储空间,代码具有更低的空间复杂度。

复杂度分析是整个算法学习的精髓,只要掌握了它,数据结构和算法的内容基本上就掌握了一半


一、什么是复杂度分析?

1.数据结构和算法解决的是“如何让计算机更快时间、更省空间的解决问题”。

2.从执行时间和占用空间两个维度来评估数据结构和算法的性能。

3.分别用时间复杂度和空间复杂度两个概念来描述性能问题,二者统称为复杂度。

4.复杂度描述的是算法执行时间(或占用空间)与数据规模的增长关系。

二、为什么要进行复杂度分析? 

1.和性能测试相比,复杂度分析有不依赖执行环境、成本低、效率高、易操作、指导性强的特点。

2.掌握复杂度分析,将能编写出性能更优的代码,有利于降低系统开发和维护成本

三、如何进行复杂度分析?

1.大 O 表示法

1)来源算法的执行时间与每行代码的执行次数成正比,用 T(n) = O(f(n))表示,其中 T(n)表示算法执行总时间,f(n)表示每行代码执行总次数,而 n 往往表示数据的规模。

2)特点:以时间复杂度为例,由于时间复杂度描述的是算法执行时间与数据规模的增长变化趋势,所以常量阶、低阶以及系数实际上对这种增长趋势不产决定性影响,所以在做时间复杂度分析时可忽略这几项。

3)大 O 时间复杂度实际上并不具体表示代码真正的执行时间,而是表示代码执行时间随数据规模增长的变化趋势,所以,也叫作渐进时间复杂度(asymptotic time complexity),简称时间复杂度。

4)当 n 很大时,你可以把它想象成 10000、100000。而公式中的低阶、常量、系数三部分并不左右增长趋势,所以都可以忽略。我们只需要记录一个最大量级就可以了,如果用大 O 表示法表示刚讲的那两段代码的时间复杂度,就可以记为:

T(n) = O(n); T(n) = O(n2)。

下面我们分别来看一下各种复杂度分析的相关代码,如下:

 O(1)

int n = 1000; 
System.out.println("Hey - your input is: " + n);
复制代码

O(n)

for (int = 1; i<=n; i++) {  System.out.println(“Hey - I'm busy looking at: " + i); }
复制代码

O(n^2)

for (int i = 1; i <= n; i++) { for (int j = 1; j <=n; j++) {  System.out.println("Hey - I'm busy looking at: " + i + " and " + j);  } }
复制代码

O(log(n))

for (int i = 1; i < n; i = i * 2) {  System.out.println("Hey - I'm busy looking at: " + i); }
复制代码

O(K^n)

for (int i = 1; i <= Math.pow(2, n); i++){  System.out.println("Hey - I'm busy looking at: " + i); }
复制代码

O(n!)

for (int i = 1; i <= factorial(n); i++){  System.out.println("Hey - I'm busy looking at: " + i); }
复制代码


2.复杂度分析法则

1)单段代码看高频:比如循环。

2)多段代码取最大:比如一段代码中有单循环和多重循环,那么取多重循环的复杂度。

3)嵌套代码求乘积:比如递归、多重循环等

4)多个规模求加法:比如方法有两个参数控制两个循环的次数,那么这时就取二者复杂度相加。


四、常用的复杂度级别? 

多项式阶:随着数据规模的增长,算法的执行时间和空间占用,按照多项式的比例增长。包括,O(1)(常数阶)、O(logn)(对数阶)、O(n)(线性阶)、O(nlogn)(线性对数阶)、O(n^2)(平方阶)、O(n^3)(立方阶) 非多项式阶:随着数据规模的增长,算法的执行时间和空间占用暴增,这类算法性能极差。包括, O(2^n)(指数阶)、O(n!)(阶乘阶)。

 

五、复杂度分析方法有哪些?

5.1 复杂度分析的 4 个概念

最好情况时间复杂度(best case time complexity)

最好情况时间复杂度就是,在最理想的情况下,执行一段代码的时间复杂度。

最坏情况时间复杂度(worst case time complexity)

最坏情况时间复杂度就是,在最糟糕的情况下,执行一段代码的时间复杂度。

平均情况时间复杂度(average case time complexity)

用代码在所有情况下执行的次数的加权平均值表示。

均摊时间复杂度(amortized time complexity)

在代码执行的所有复杂度情况中绝大部分是低级别的复杂度,个别情况是高级别复杂度且发生具有时序关系时,可以将个别高级别复杂度均摊到低级别复杂度上。基本上均摊结果就等于低级别复杂度。


5.2 为什么要引入这 4 个概念?

1.同一段代码在不同情况下时间复杂度会出现量级差异,为了更全面,更准确的描述代码的时间复杂度,所以引入这 4 个概念。

2.代码复杂度在不同情况下出现量级差别时才需要区别这四种复杂度。大多数情况下,是不需要区别分析它们的。


5.3 如何分析平均、均摊时间复杂度?

1.平均时间复杂度

代码在不同情况下复杂度出现量级差别,则用代码所有可能情况下执行次数的加权平均值表示。

2.均摊时间复杂度

两个条件满足时使用:1)代码在绝大多数情况下是低级别复杂度,只有极少数情况是高级别复杂度;2)低级别和高级别复杂度出现具有时序规律。均摊结果一般都等于低级别复杂度。


六、如何掌握好复杂度分析方法? 复杂度分析关键在于多练,所谓孰能生巧。推荐算法练习网站,“全球极客挚爱的技术成长平台”leetCode。多看牛人的优秀代码,不断精进与提升我们的“码感”。

leetCode 中文站:https://leetcode-cn.com/problemset/all/

leetCode:https://leetcode.com/problemset/all/



发布于: 2021 年 01 月 31 日阅读数: 41
用户头像

Nick

关注

终身学习,向死而生 2020.03.18 加入

得到、极客时间重度学习者,来infoQ 是为了输出倒逼输入

评论

发布
暂无评论
数据结构和算法学习总结-复杂度分析