演算法時間複雜度

2021-08-18 03:49:28 字數 3777 閱讀 7493

一、時間複雜度

(1)時間頻度 

乙個演算法執行所耗費的時間,從理論上是不能算出來的,必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試,只需知道哪個演算法花費的時間多,哪個演算法花費的時間少就可以了。並且乙個演算法花費的時間與演算法中語句的執行次數成正比例,哪個演算法中語句執行次數多,它花費時間就多。乙個演算法中的語句執行次數稱為語句頻度或時間頻度。記為t(n)。 

(2)時間複雜度 

在剛才提到的時間頻度中,n稱為問題的規模,當n不斷變化時,時間頻度t(n)也會不斷變化。但有時我們想知道它變化時呈現什麼規律。為此,我們引入時間複雜度概念。 

一般情況下,演算法中基本操作重複執行的次數是問題規模n的某個函式,用t(n)表示,若有某個輔助函式f(n),使得當n趨近於無窮大時,t(n)/f(n)的極限值為不等於零的常數,則稱f(n)是t(n)的同數量級函式。記作t(n)=o(f(n)),稱o(f(n)) 為演算法的漸進時間複雜度,簡稱時間複雜度。 

在各種不同演算法中,若演算法中語句執行次數為乙個常數,則時間複雜度為o(1),另外,在時間頻度不相同時,時間複雜度有可能相同,如t(n)=n2+3n+4與t(n)=4n2+2n+1它們的頻度不同,但時間複雜度相同,都為o(n2)。 

按數量級遞增排列,常見的時間複雜度有: 

常數階o(1),對數階o(log2n),線性階o(n), 

線性對數階o(nlog2n),平方階o(n2),立方階o(n3),..., 

k次方階o(nk),指數階o(2n)。隨著問題規模n的不斷增大,上述時間複雜度不斷增大,演算法的執行效率越低。 

2、空間複雜度 

與時間複雜度類似,空間複雜度是指演算法在計算機內執行時所需儲存空間的度量。記作: 

s(n)=o(f(n)) 

我們一般所討論的是除正常占用記憶體開銷外的輔助儲存單元規模

二、常見演算法時間複雜度:

o(1): 表示演算法的執行時間為常量

o(n): 表示該演算法是線性演算法

o(log2n): 二分查詢演算法

o(n2): 對陣列進行排序的各種簡單演算法,例如直接插入排序的演算法。

o(n3): 做兩個n階矩陣的乘法運算

o(2n): 求具有n個元素集合的所有子集的演算法

o(n!): 求具有n個元素的全排列的演算法

優<---------------------------《劣

o(1)時間複雜度按數量級遞增排列依次為:常數階o(1)、對數階o(log2n)、線性階o(n)、線性對數階o(nlog2n)、平方階o(n2)、立方階o(n3)、……k次方階o(nk)、指數階o(2n)。

三、算法的時間複雜度(計算例項)

定義:如果乙個問題的規模是n,解這一問題的某一演算法所需要的時間為t(n),它是n的某一函式 t(n)稱為這一演算法的「時間複雜性」。

當輸入量n逐漸加大時,時間複雜性的極限情形稱為演算法的「漸近時間複雜性」。

我們常用大o表示法表示時間複雜性,注意它是某乙個演算法的時間複雜性。大o表示只是說有上界,由定義如果f(n)=o(n),那顯然成立f(n)=o(n^2),它給你乙個上界,但並不是上確界,但人們在表示的時候一般都習慣表示前者。

此外,乙個問題本身也有它的複雜性,如果某個演算法的複雜性到達了這個問題複雜性的下界,那就稱這樣的演算法是最佳演算法。

「大o記法」:在這種描述中使用的基本引數是 n,即問題例項的規模,把複雜性或執行時間表達為n的函式。這裡的「o」表示量級 (order),比如說「二分檢索是 o(logn)的」,也就是說它需要「通過logn量級的步驟去檢索乙個規模為n的陣列」記法 o ( f(n) )表示當 n增大時,執行時間至多將以正比於 f(n)的速度增長。

這種漸進估計對演算法的理論分析和大致比較是非常有價值的,但在實踐中細節也可能造成差異。例如,乙個低附加代價的o(n2)演算法在n較小的情況下可能比乙個高附加代價的 o(nlogn)演算法執行得更快。當然,隨著n足夠大以後,具有較慢上公升函式的演算法必然工作得更快。

o(1)

temp=i;i=j;j=temp;                    

以上三條單個語句的頻度均為1,該程式段的執行時間是乙個與問題規模n無關的常數。演算法的時間複雜度為常數階,記作t(n)=o(1)。如果演算法的執行時 間不隨著問題規模n的增加而增長,即使演算法中有上千條語句,其執行時間也不過是乙個較大的常數。此類演算法的時間複雜度是o(1)。

o(n^2)

2.1. 交換i和j的內容

sum=0;                 (一次)

for(i=1;i<=n;i++)       (n次 )

for(j=1;j<=n;j++) (n^2次 )

sum++;       (n^2次 )

解:t(n)=2n^2+n+1 =o(n^2)

2.2.   

for (i=1;i         

解: 語句1的頻度是n-1

語句2的頻度是(n-1)*(2n+1)=2n^2-n-1

f(n)=2n^2-n-1+(n-1)=2n^2-2

該程式的時間複雜度t(n)=o(n^2).         

o(n)      

2.3.

a=0;

b=1;                      ①

for (i=1;i<=n;i++) ②

解: 語句1的頻度:2,        

語句2的頻度: n,        

語句3的頻度: n-1,        

語句4的頻度:n-1,    

語句5的頻度:n-1,                                  

t(n)=2+n+3(n-1)=4n-1=o(n).

o(log2n )

2.4.

i=1;       ①

while (i<=n)

i=i*2; ②

解: 語句1的頻度是1,  

設語句2的頻度是f(n),   則:2^f(n)<=n;f(n)<=log2n    

取最大值f(n)= log2n,

t(n)=o(log2n )

o(n^3)

2.5.

for(i=0;i

}解:當i=m, j=k的時候,內層迴圈的次數為k當i=m時, j 可以取 0,1,...,m-1 , 所以這裡最內迴圈共進行了0+1+...+m-1=(m-1)m/2次所以,i從0取到n, 則迴圈共進行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以時間複雜度為o(n^3).

我們還應該區分演算法的最壞情況的行為和期望行為。如快速排序的最 壞情況執行時間是 o(n^2),但期望時間是 o(nlogn)。通過每次都仔細 地選擇基準值,我們有可能把平方情況 (即o(n^2)情況)的概率減小到幾乎等於 0。在實際中,精心實現的快速排序一般都能以 (o(nlogn)時間執行。

下面是一些常用的記法:

訪問陣列中的元素是常數時間操作,或說o(1)操作。乙個演算法如 果能在每個步驟去掉一半資料元素,如二分檢索,通常它就取 o(logn)時間。用strcmp比較兩個具有n個字元的串需要o(n)時間 。常規的矩陣乘演算法是o(n^3),因為算出每個元素都需要將n對 元素相乘並加到一起,所有元素的個數是n^2。

指數時間演算法通常**於需要求出所有可能結果。例如,n個元 素的集合共有2n個子集,所以要求出所有子集的演算法將是o(2n)的 。指數演算法一般說來是太複雜了,除非n的值非常小,因為,在 這個問題中增加乙個元素就導致執行時間加倍。不幸的是,確實有許多問題 (如著名 的「巡迴售貨員問題」 ),到目前為止找到的演算法都是指數的。如果我們真的遇到這種情況, 通常應該用尋找近似最佳結果的演算法替代之。

演算法時間複雜度空間複雜度

演算法 是解決某一類問題的通法,即一系列清晰無歧義的計算指令。每個演算法只能解決具有特定特徵的一類問題,但乙個問題可由多個演算法解決。乙個演算法應該有以下五個方面的特性 比較演算法的優劣我們從兩個維度去進行考量 時間 空間 時間複雜度,空間複雜度 找出基本語句 演算法中執行次數最多的那條語句就是基本...

演算法 時間複雜度 空間複雜度

1 if i 1 2 a 1 result 3 4 result n 2 result 1000 1000 3 array.push a array.pop 4 map.set 1,1 map.get 1,1 在計算複雜度的時候,o 1 一般會被忽略。1 for let i 0 i n i 2 wh...

演算法複雜度 時間複雜度和空間複雜度

1 時間複雜度 1 時間頻度 乙個演算法執行所耗費的時間,從理論上是不能算出來的,必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試,只需知道哪個演算法花費的時間多,哪個演算法花費的時間少就可以了。並且乙個演算法花費的時間與演算法中語句的執行次數成正比例,哪個演算法中語句執行次數...