title: 【久远讲算法】什么是时间复杂度 date: 2021-10-07 22:09:47 tags:
- java
- data structure
categories: - java
- data structure
大家好 ,我是久远,今天开始,由我来给大家分享算法以及数据结构的相关知识。
什么是算法
今天我们先来讨论一个问题:什么是算法?
算法是指计算方法么?并不准确。
算法这个名称虽然听着硬核,但是我们换个场景你就会非常熟悉。
小学数学课上,你是不是可以用 3+3+3 或者 3*3 来解决三个三相加这个问题,虽然算的结果都是9,但是中间我们用的方法是不一样的。
假如你今天要做一道菜,你是不是需要菜谱,菜谱上肯定会告诉你,你做这个菜需要什么材料,分几步完成,完成这道菜需要多久。
而我们今天要讲的算法,就是计算机编程界的菜谱,它就是计算机解决问题的方法。用不同的办法去解决同一个问题,结果虽然都一样,但是过程可能千差万别。
正因为计算机解决问题的方法有很多个,我们便要拿标准去衡量,到底哪些算法更好,更适合我们去使用。
时空复杂度
怎么衡量一个算法的好坏呢?
举个现实的例子:
小明和小亮去企业面试,hr要求他们用代码实现一个需求,一天之后,两个人交付了各自的代码,都能实现hr的需求。而只有小明被录用了。这是因为:
小明的代码运行一次花了50ms,内存占用5MB。
而小亮的代码运行一次要花10s,占用内存50MB。
小亮的代码虽然能够实现功能,但是运行时间和内存占用都没有小明的少,自然没有被录用。
所以我们衡量代码的好坏要从时间和空间两个角度去考虑。即:
在本文中,我们先讲解空间复杂度。
时间复杂度
我们可以将时间复杂度划分为两个小概念:
基本操作次数
我们假设计算机运行一行基础代码执行一次运算。
void T0101(){
System.out.print("hello world!");
}
这个方法需要执行1次运算。
void T0102(int n){
for(int i = 0; i < n; i++){
System.out.print("hello world!")
}
}
上面这个方法需要执行(n+1+n)= 2n+1 次运算。
我们把算法需要执行的运算次数用 输入大小n 的函数表示,即 T(n).
为了估算算法需要的运行时间和简化算法分析,我们引入时间复杂度的概念。
我们再来看几个例子:
-
T
(
n
)
=
3
n
T(n) = 3n
T(n)=3n,执行次数是线性的。
void T0103(int n){
for(int i = 0; i < n; i++){
System.out.print("一");
System.out.print("二");
System.out.print("三");
}
}
-
T
(
n
)
=
5
l
o
g
n
T(n) = 5logn
T(n)=5logn ,执行次数是用对数计算的。 void T0104(int n){
for(int i = n; i>1; i/=2){
System.out.println("一");
System.out.println("二");
System.out.println("三");
System.out.println("四");
System.out.println("五");
}
}
-
T
(
n
)
=
2
T(n) = 2
T(n)=2 , 执行次数是常量。
void T0105(int n){
System.out.println("一");//没有循环次数
System.out.println("二");//只需要输出两次内容执行次数为2
}
- $ T(n) = n^2$ ,执行次数为幂函数。
void T0106(int n) {
for(int i = 0; i < n; i++) { // 循环次数为 n
for(int j = 0; j < n; j++) {// 循环次数为 n
System.out.println("Hello, World!"); // 循环体时间复杂度为 O(1)
}
}
}
渐进时间复杂度
现在我们已经有了T(n),是否就可以分析和比较代码的运行时间了呢?不不不,n你还没确定呢。
假设A的执行次数是$ T(n) = 100n $,算法B执行的次数是 $ T(n) = 5n^2 $ ,这辆谁大就要取决于n了。
因此为了解决这类难题,我们有了渐进时间复杂度的概念。
维基百科的定义如下:
在计算机科学中,算法的时间复杂度是一个函数,它定性描述该算法的运行时间。时间复杂度常用大O符号表述,不包括这个函数的低阶项和首项系数。使用这种方式时,时间复杂度可被称为是渐近的,亦即考察输入值大小趋近无穷时的情况。
直白的讲就是,渐进复杂度就是将我们计算的程序的执行次数函数
T
(
n
)
T(n)
T(n) 简化为数量级,例如
n
n
n、
n
2
n^2
n2 、
n
3
n^3
n3 等。
那我们要如何推算出时间复杂度呢?有以下几个原则:
- 如果运行时间是常数级的(例如:1,2,3,4,6等),则直接用常数1代替表示。
- 只保留时间函数中的最高阶项。
- 如果最高阶项存在,则省去最高阶项前面的系数。
例如,如果一个算法对于任何大小为 n (必须比 n0 大)的输入,它至多需要
5
n
3
+
3
n
5n^3 + 3n
5n3+3n 的时间运行完毕,那么它的渐近时间复杂度是
O
(
n
3
)
O(n^3)
O(n3)。
这个推算过程即为:
1.保留函数中的最高阶项。
即:
5
n
3
+
3
n
5n^3+3n
5n3+3n
?
>
->
?>
5
n
3
5n^3
5n3
2.最高阶项存在,则省去最高阶项前面的系数。
即:
5
n
3
5n^3
5n3
?
>
->
?>
n
3
n^3
n3
我们再来复习一下我们刚才看的那几个计算时间函数的例子。
-
T
(
n
)
=
3
n
T(n) = 3n
T(n)=3n
最高阶项为
3
n
3n
3n ,省去3,则转化为的时间复杂度为:
T
(
n
)
=
O
(
n
)
T(n) = O(n)
T(n)=O(n)
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FoRTtVK5-1633694536527)(https://i.loli.net/2021/10/08/5eiXqvJhQZnImrw.png)]
-
T
(
n
)
=
5
l
o
g
n
T(n) = 5logn
T(n)=5logn , 最高阶项为
5
l
o
g
n
5logn
5logn,省去系数 5,则转化的时间复杂度为:
T
(
n
)
=
O
(
l
o
g
n
)
T(n) = O(logn)
T(n)=O(logn) -
T
(
n
)
=
2
T(n) = 2
T(n)=2,只有常数量级,则拿1替换常数,转换后的时间复杂度为:
T
(
n
)
=
O
(
1
)
T(n) = O(1)
T(n)=O(1) -
T
(
n
)
=
n
2
T(n)=n^2
T(n)=n2
这四种时间复杂度究竟谁更快,谁更更慢呢?当n足够大时,我们可以得到这样的结论:
O
(
1
)
<
O
(
l
o
g
n
)
<
O
(
n
)
<
O
(
n
2
)
O(1)<O(logn)<O(n)<O(n^2)
O(1)<O(logn)<O(n)<O(n2)
时间复杂度的差异
介绍了这么多,肯定有读者心中会产生疑问,你这说了半天…函数式子,能不能让我们直接体会一下时间复杂度的差异?
假设算法A的执行次数是
T
(
n
)
=
100
n
T(n) =100n
T(n)=100n ,
时间复杂度为
O
(
n
)
=
n
O(n)=n
O(n)=n
算法B的执行次数是
T
(
n
)
=
5
n
2
T(n) = 5n^2
T(n)=5n2 ,
时间复杂度为
O
(
n
)
=
n
2
O(n) = n^2
O(n)=n2
如果
n
=
1
n=1
n=1,使用算法A和算法B的次数均为1
但是当
n
n
n 逐渐增大时,时间复杂度的差异性就体现出来了。
当
n
<
20
n<20
n<20时,
T
(
n
)
=
100
n
T(n)=100n
T(n)=100n的增长速度比
T
(
n
)
=
5
n
2
T(n)=5n^2
T(n)=5n2快
当
n
>
20
n>20
n>20时,
T
(
n
)
5
n
2
T(n)5n^2
T(n)5n2 的增长速度比
T
(
n
)
=
100
T(n) = 100
T(n)=100 快
可见当我们要处理的对象足够大的时候,选时间复杂度较低的算法可使我们事半功倍,提高我们的程序运行效率。
总结
本次我们详细的介绍了时间复杂度的概念。下次我们将引入空间复杂度的概念。
点个公众号关注不迷路。持续更新数据结构讲解以及力扣刷题技巧。
|