行业知识
数据结构入门——算法的时间与空间复杂度
2026-11-16 14:21:14
来源:互联网转载
引子
在前面C��言的学习中,我们会通过不同的算法来编写执行程序,在此过程中,我们不可避免的会讨论不同算法的好坏优劣,如:
long long Fib(int N){ if(N 这是一段简洁的斐波那契数列的递归代码,但简洁一定好吗?那该如何衡量其好与坏呢?
算法的复杂度
算法在编写成可执行程序后,运行时需要耗费时间资源和空间 ( 内存 ) 资源 。因此 衡量一个算法的好坏,一般 是从时间和空间两个维度来衡量的 ,即时间复杂度和空间复杂度。 时间复杂度主要衡量一个算法的运行快慢,而空间复杂度主要衡量一个算法运行所需要的额外空间 。在计算 机发展的早期,计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展,计 算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
时间复杂度
时间复杂度的概念
时间复杂度的定义:在计算机科学中, 算法的时间复杂度是一个函数 ,它定量描述了该算法的运行时间。一 个算法执行所耗费的时间,从理论上说,是不能算出来的,只有你把你的程序放在机器上跑起来,才能知道。但是我们需要每个算法都上机测试吗?是可以都上机测试,但是这很麻烦,所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例,算法中的基本操作的执行次数,为算法 的时间复杂度。 即:找到某条基本语句与问题规模 N 之间的数学表达式,就是算出了该算法的时间复杂度。 // 请计算一下Func1中++count语句总共执行了多少次?void Func1(int N){int count = 0;for (int i = 0; i Func1 执行的基本操作次数 :N*N+2*N+10 N = 10 F(N) = 130 N = 100 F(N) = 10210 N = 1000 F(N) = 1002010 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。 大O的渐进表示法
大 O 符号( Big O notation ):是用于描述函数渐进行为的数学符号。 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: 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) 练一练吧
例一
// 计算Func2的时间复杂度?void Func2(int N){ int count = 0; for (int k = 0; k 例二 // 计算Func3的时间复杂度?void Func3(int N, int M){ int count = 0; for (int k = 0; k 例三
// 计算Func4的时间复杂度?void Func4(int N){ int count = 0; for (int k = 0; k 例四
// 计算冒泡排序的时间复杂度?void BubbleSort(int* a, int n){ assert(a); for (size_t end = n; end > 0; --end) { int exchange = 0; for (size_t i = 1; i a[i]) { Swap(&a[i-1], &a[i]); exchange = 1; } } if (exchange == 0) break; }} 例五
// 计算二分法的时间复杂度?int BinarySearch(int* a, int n, int x){ assert(a); int begin = 0; int end = n-1; while (begin >1); if (a[mid] x) end = mid; else return mid; } return -1;} 例六
// 计算斐波那契递归Fib的时间复杂度?long long Fib(size_t N){ if(N 答案
例 1 基本操作执行了 2N+10 次,通过推导大 O 阶方法知道,时间复杂度为 O(N) 例 2 基本操作执行了 M+N 次,有两个未知数 M 和 N ,时间复杂度为 O(N+M) 例 3 基本操作执行了 10 次,通过推导大 O 阶方法,时间复杂度为 O(1) 例4 基本操作执行最好 N 次,最坏执行了 (N*(N+1)/2 次,通过推导大 O 阶方法 + 时间复杂度一般看最 坏,时间复杂度为 O(N^2) 例5 基本操作执行最好 1 次,最坏 O(logN) 次,时间复杂度为 O(logN) ps : logN 在算法分析中表示是底数为2 ,对数为 N 。有些地方会写成 lgN 例6 通过计算分析发现基本操作递归了 2^N 次,时间复杂度为 O(2^N) 空间复杂度
空间复杂度的概念
空间复杂度也是一个数学表达式,是对一个算法在运行过程中 临时占用存储空间大小的量度 。 空间复杂度不是程序占用了多少 bytes 的空间,因为这个也没太大意义,所以空间复杂度算的是变量的个数。 空间复杂度计算规则基本跟实践复杂度类似,也使用 大 O 渐进表示法 。 注意: 函数运行时所需要的栈空间 ( 存储参数、局部变量、一些寄存器信息等 ) 在编译期间已经确定好了,因 此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。 练一练吧
例一 计算冒泡排序的空间复杂度?
例二 计算斐波那契数列的空间复杂度?
例三
// 计算阶乘递归Fac的空间复杂度?long long Fac(size_t N){ if(N == 0) return 1; return Fac(N-1)*N;} 答案
例 1 使用了常数个额外空间,所以空间复杂度为 O(1) 例 2 动态开辟了 N 个空间,空间复杂度为 O(N) 例 3 递归调用了 N 次,开辟了 N 个栈帧,每个栈帧使用了常数个空间。空间复杂度为 O(N) 总结
常见复杂度对比