大O复杂度表示法
这里有段非常简单的代码,求1,2,3...n的累加和。现在来估算一下这段代码的执行时间。
def added(n): sum = 0 for i in range(n): sum = sum + (i+1) return sum print(added(10))
#python 版
1 int cal(int n){ 2 int sum = 0; 3 int i = 0; 4 for( ; i <= n;++1){ 5 sum = sum + 1; 6 } 7 return sum; 8 }
#原版伪代码
从CPU的角度来看,这段代码的每行都执行着类似的操作:读数据—运算—写数据。尽管每行代码对应的CPU执行的个数,执行的时间都不一样,但是,我们这里只是粗略估计,所有可以假设每行代码执行的时间都一样,为unit_time。
那么,第2、3行代码分别需要1个unit_time的执行时间,第4、5行都运行了n遍,所以需要2n*unit_time的执行时间,所以这段代码总的执行时间是(2n+2)*unit_time。可以看出,所有代码的执行时间T(n)与每行代码的执行次数成正比。
按照这个分析思路,我们再来看这段代码:
1 def cal(n): 2 sum = 0 3 for i in range(n): 4 for j in range(n): 5 sum = sum + (i+1) * (j+1) 6 print(sum) 7 cal(10)
#python版
1 int cal(int n){ 2 int sum = 0; 3 int i = 1; 4 int j = 1; 5 for(; i <= n; ++i){ 6 j = 1; 7 for (; j <= n; ++j){ 8 sum = sum + i * j; 9 } 10 } 11 }
#原版伪代码
我们依旧假设每个语句的执行时间是unit_time。那么这段代码的执行总时间T(n)是多少呢?
第2、3、4行代码,每行都需要1个unit_time的执行时间,第5、6行代码循环了n遍,需要2n*unit_time的执行时间,第7、8行代码循环执行了n^2遍,所以需要2n^2*unit_time的执行时间。所以,整段代码总的执行时间T(n) = (2n^2 + 2n + 3)*unit_time。
尽管我们不知道unit_time的具体值,但是通过这两段代码执行时间的推导过程,我们可以得到一个非常重要的规律,那就是,所有代码的执行时间T(n)与每行代码的执行次数成正比。
我们可以把这个规律总结成一个公式:T(n) = O(f(n))
其中,T(n):表示代码执行时间 ; n:表示数据规模大小; f(n):表示每行代码执行的次数总和。公式中的O表示代码的执行时间T(n)与f(n)表达式成正比
所以,第一个例子中的T(n) = O(2n+2),第二个例子中的T(n) = O(2n^2+2n+3)。就是大O时间复杂度表示法。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,也叫做渐进时间复杂度。
当n很大时,你可以把它想象成10000,1000000。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(n^2)
时间复杂度分析
1.只关注循环次数最多的一段代码
我们在分析一个算法、一段代码的时间复杂度的时候,也只关注循环执行次数最多的那一段代码就可以了。这段核心代码执行次数的n的量级,就是整段要分析代码的时间复杂度。
2.加法法则:总复杂度等于量级最大的那段代码的复杂度
1 int cal(int n){ 2 int sum_1 = 0; 3 int p = 1; 4 for (; p<100; ++p){ 5 sum_1 = sum_1 + p 6 }
7 int sum_2 = 0; 8 int q = 1; 9 for(; q<n; ++q){ 10 sum_2 = sum_2 + q; 11 }
12 int sum_3 = 0; 13 int i = 1; 14 int j = 1; 15 for(; i<=n; ++i){ 16 j = 1; 17 for(; j<=n; ++j){ 18 sum_3 = sum_3 + i * j; 19 } 20 } 21 return sum_1 + sum_2 + sum_3; 22 }
#原版伪代码
综合这三段代码的时间复杂度,我们取其中最大的量级。所以,整段代码的时间复杂度就为O(n^2)。也就是说:总的时间复杂度就等于量级最大的那段代码的时间复杂度。
3.乘法法则:嵌套代码的复杂度等于嵌套内代码复杂度的乘积
假设T1(n) = O(n),T2(n)=O(n^2),则T1(n) * T2(n) = O(n^3)。落实到具体代码上,我们可以把乘法法则看成是嵌套循环,举个例子:
1 int cal(int n) { 2 int ret = 0; 3 int i = 1; 4 for (; i<n ; ++i) { 5 ret = ret + f(i); 6 } 7 }
8 int f(int n) { 9 int sum = 0; 10 int i = 1; 11 for(; i<n; ++i) { 12 sum = sum +i; 13 } 14 return sum; 15 }
#原版伪代码
4.几种常见时间复杂度实例分析
对于罗列的复杂度量级,我们可以粗略的分为两类,多项式量级和非多项式量级。其中,非多项式量级只有两个:O(2^n)和O(n!)
当数据规模n越来越大时,非多项式量级算法的执行时间会急剧增加,求解问题的执行时间会无限增长。所以,非多项式时间复杂度的算法其实是非常低效的算法。因此,关于NP时间复杂度就暂且不说了。主要看下几种常见的多项式时间复杂度。
1.O(1)
O(1)是常量级时间复杂度的一种表示方法。一般情况下,只要算法中不存在循环语句,递归语句,即使有成千上万行的代码,其时间复杂度也是O(1)
2.O(logn)、O(nlogn)
对数阶时间复杂度非常常见,同时也是最难分析的一种时间复杂度。
1 i = 1; 2 while (i<=n) { 3 i = i * 2; 4 }
如果一段代码的时间复杂度是O(logn),我们循环执行n遍,时间复杂度就是O(nlogn)。而且,O(nlogn)也是一种非常常见的算法时间复杂度。比如,归并排序,快速排序的时间复杂度都是O(nlogn)。
3.O(m+n)、O(m*n)
我们再来将一种跟前面都不一样的时间复杂度,代码的复杂度由两个数据的规模来决定。
1 int cal(int m,int n) { 2 int sum_1 = 0; 3 int i = 1; 4 for(; i<m; ++i) { 5 sum_1 = sum_1 + i; 6 } 7 8 int sum_2 = 0; 9 int j = 1; 10 for (; j<n; ++j) { 11 sum_2 = sum_2 + j; 12 } 13 return sum_1 + sum_2; 14 }
从代码中可以看出,m和n是表示两个数据规模。我们无法事先评估m和n谁的量极大,所以我们在表示复杂度的时候,就不能简单地利用加法法则,省略掉其中一个。所以,上面代码的时间复杂度就是O(m+n)
针对这种情况,原来的加法法则就不正确了,我们需要将加法规则改为:T1(m) + T2(n) = O(f(m)+ g(n))。但是乘法法则继续有效:T1(m)*T2(n) = O(f(m)*g(n))。
空间复杂度分析
时间复杂度的全称是渐进时间复杂度,表示算法的执行时间与数据规模之间的增长关系。类比一下,空间复杂度全称渐进空间复杂度,表示算法的存储空间与数据规模之间的增长关系。