计算时间和空间复杂度
2016-03-11 11:41
197 查看
定义:如果一个问题的规模是n,解这一问题的某一算法所需要的时间为T(n),它是n的某一函数 T(n)称为这一算法的“时间复杂性”。
当输入量n逐渐加大时,时间复杂性的极限情形称为算法的“渐近时间复杂性”。
O(1)
Temp=i; i=j; j=temp;
以上三条单个语句的频度均为1,该程序段的执行时间是一个与问题规模n无关的常数。算法的时间复杂度为常数阶,记作T(n)=O(1)。如果算法的执行时 间不随着问题规模n的增加而增长,即使算法中有上千条语句,其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)。
O(n^2)
2.1. 交换i和j的内容
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<n;i++)
{
y=y+1; ①
for (j=0;j<=(2*n);j++)
x++; ②
}
解: 语句1的频度是n-1
语句2的频度是(n-1)*(2n+1)=2n^2-n-1
f(n)=2n^2-n-1+(n-1)=2n^2-2
该程序的时间复杂度T(n)=O(n^2).
O(n)
2.3.
a=0;
b=1; ①
for (i=1;i<=n;i++) ②
{
s=a+b; ③
b=a; ④
a=s; ⑤
}
解: 语句1的频度:2,
语句2的频度: n,
语句3的频度: n-1,
语句4的频度:n-1,
语句5的频度: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: 语句1的频度是1,
设语句2的频度是f(n), 则: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<n;i++)
{
for(j=0;j<i;j++)
{
for(k=0;k<j;k++)
x=x+2;
}
}
解:当i=m, j=k的时候,内层循环的次数为k当i=m时, j 可以取 0,1,...,m-1 , 所以这里最内循环共进行了0+1+...+m-1=(m-1)m/2次所以,i从0取到n, 则循环共进行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以时间复杂度为O(n^3).
我们还应该区分算法的最坏情况的行为和期望行为。如快速排序的最 坏情况运行时间是 O(n^2),但期望时间是 O(nlogn)。通过每次都仔细 地选择基准值,我们有可能把平方情况 (即O(n^2)情况)的概率减小到几乎等于 0。在实际中,精心实现的快速排序一般都能以 (O(nlogn)时间运行。
下面是一些常用的记法:
访问数组中的元素是常数时间操作,或说O(1)操作。一个算法如 果能在每个步骤去掉一半数据元素,如二分检索,通常它就取 O(logn)时间。用strcmp比较两个具有n个字符的串需要O(n)时间 。常规的矩阵乘算法是O(n^3),因为算出每个元素都需要将n对 元素相乘并加到一起,所有元素的个数是n^2。
指数时间算法通常来源于需要求出所有可能结果。例如,n个元 素的集合共有2n个子集,所以要求出所有子集的算法将是O(2n)的 。指数算法一般说来是太复杂了,除非n的值非常小,因为,在 这个问题中增加一个元素就导致运行时间加倍。不幸的是,确实有许多问题 (如著名 的“巡回售货员问题” ),到目前为止找到的算法都是指数的。如果我们真的遇到这种情况,
通常应该用寻找近似最佳结果的算法替代之。
关于算法的时间复杂度的一些认识
算法的时间复杂度分析主要是分析算法的运算时间,即算法执行所需要的基本操作数。
算法时间复杂度的求解步骤:
1、找出算法中的基本语句
算法中执行次数最多的那条语句就是基本语句,通常是for循环语句。
2、计算基本语句的执行次数T(n)
算出上面每一个for循环语句的执行次数
并列for循环,各个循环的执行次数相加得T(n)
嵌套for循环,各个循环的执行次数相乘得T(n)
3、计算T(n)的数量级
求T(n)的数量级,只要将T(n)进行如下一些操作:
忽略常量、低次幂和最高次幂的系数
4、用O表示时间复杂度即可
看一个例子就明白了:
(1) int num1, num2;
(2) for(int i=0;i<n; i++){
(3) num1 += 1;
(4) for(int j=1; j<=n; j*=2){
(5) num2 += num1;
(6) }
(7) }
分析:
1、分析语句,很清楚的看到有两个for循环,并且是嵌套的
语句(1)可以跳过;
语句(2),for循环语句;
语句i<n; i++; num1+=1; j=1; 的频度为n;
语句j<=n; j*=2; num2+=num1;的频度为n*log2n;
T(n) = 2 + 4n +3n*log2n
2.计算每个循环的执行次数
外循环,i<n; i++;num1+=1;执行次数为n;
内循环,j<=n; j*=2;num2+=num1;执行次数为n*log2n;
T(n) = n+n*log2n
这里执行次数最多的语句是num2+=num1
3.忽略掉T(n)中的常量、低次幂和最高次幂的系数
该算法时间复杂度为O(n*log2n)
以上也只是一个简单的计算时间复杂度的方法,对于一些求算法时间复杂度的题感觉够用了。
当输入量n逐渐加大时,时间复杂性的极限情形称为算法的“渐近时间复杂性”。
O(1)
Temp=i; i=j; j=temp;
以上三条单个语句的频度均为1,该程序段的执行时间是一个与问题规模n无关的常数。算法的时间复杂度为常数阶,记作T(n)=O(1)。如果算法的执行时 间不随着问题规模n的增加而增长,即使算法中有上千条语句,其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)。
O(n^2)
2.1. 交换i和j的内容
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<n;i++)
{
y=y+1; ①
for (j=0;j<=(2*n);j++)
x++; ②
}
解: 语句1的频度是n-1
语句2的频度是(n-1)*(2n+1)=2n^2-n-1
f(n)=2n^2-n-1+(n-1)=2n^2-2
该程序的时间复杂度T(n)=O(n^2).
O(n)
2.3.
a=0;
b=1; ①
for (i=1;i<=n;i++) ②
{
s=a+b; ③
b=a; ④
a=s; ⑤
}
解: 语句1的频度:2,
语句2的频度: n,
语句3的频度: n-1,
语句4的频度:n-1,
语句5的频度: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: 语句1的频度是1,
设语句2的频度是f(n), 则: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<n;i++)
{
for(j=0;j<i;j++)
{
for(k=0;k<j;k++)
x=x+2;
}
}
解:当i=m, j=k的时候,内层循环的次数为k当i=m时, j 可以取 0,1,...,m-1 , 所以这里最内循环共进行了0+1+...+m-1=(m-1)m/2次所以,i从0取到n, 则循环共进行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以时间复杂度为O(n^3).
我们还应该区分算法的最坏情况的行为和期望行为。如快速排序的最 坏情况运行时间是 O(n^2),但期望时间是 O(nlogn)。通过每次都仔细 地选择基准值,我们有可能把平方情况 (即O(n^2)情况)的概率减小到几乎等于 0。在实际中,精心实现的快速排序一般都能以 (O(nlogn)时间运行。
下面是一些常用的记法:
访问数组中的元素是常数时间操作,或说O(1)操作。一个算法如 果能在每个步骤去掉一半数据元素,如二分检索,通常它就取 O(logn)时间。用strcmp比较两个具有n个字符的串需要O(n)时间 。常规的矩阵乘算法是O(n^3),因为算出每个元素都需要将n对 元素相乘并加到一起,所有元素的个数是n^2。
指数时间算法通常来源于需要求出所有可能结果。例如,n个元 素的集合共有2n个子集,所以要求出所有子集的算法将是O(2n)的 。指数算法一般说来是太复杂了,除非n的值非常小,因为,在 这个问题中增加一个元素就导致运行时间加倍。不幸的是,确实有许多问题 (如著名 的“巡回售货员问题” ),到目前为止找到的算法都是指数的。如果我们真的遇到这种情况,
通常应该用寻找近似最佳结果的算法替代之。
关于算法的时间复杂度的一些认识
算法的时间复杂度分析主要是分析算法的运算时间,即算法执行所需要的基本操作数。
算法时间复杂度的求解步骤:
1、找出算法中的基本语句
算法中执行次数最多的那条语句就是基本语句,通常是for循环语句。
2、计算基本语句的执行次数T(n)
算出上面每一个for循环语句的执行次数
并列for循环,各个循环的执行次数相加得T(n)
嵌套for循环,各个循环的执行次数相乘得T(n)
3、计算T(n)的数量级
求T(n)的数量级,只要将T(n)进行如下一些操作:
忽略常量、低次幂和最高次幂的系数
4、用O表示时间复杂度即可
看一个例子就明白了:
(1) int num1, num2;
(2) for(int i=0;i<n; i++){
(3) num1 += 1;
(4) for(int j=1; j<=n; j*=2){
(5) num2 += num1;
(6) }
(7) }
分析:
1、分析语句,很清楚的看到有两个for循环,并且是嵌套的
语句(1)可以跳过;
语句(2),for循环语句;
语句i<n; i++; num1+=1; j=1; 的频度为n;
语句j<=n; j*=2; num2+=num1;的频度为n*log2n;
T(n) = 2 + 4n +3n*log2n
2.计算每个循环的执行次数
外循环,i<n; i++;num1+=1;执行次数为n;
内循环,j<=n; j*=2;num2+=num1;执行次数为n*log2n;
T(n) = n+n*log2n
这里执行次数最多的语句是num2+=num1
3.忽略掉T(n)中的常量、低次幂和最高次幂的系数
该算法时间复杂度为O(n*log2n)
以上也只是一个简单的计算时间复杂度的方法,对于一些求算法时间复杂度的题感觉够用了。
相关文章推荐
- exit 与 _exit的区别
- 适配 Android N 需要注意什么
- 如何让你的App更流畅
- HDU 4901(杭电多校训练#3 1005题)The Romantic Hero(DP)
- 《C陷阱与缺陷》读书笔记
- lshw 查看设备硬件信息
- cobbler setting dnsmasq
- 企业库6.0配置及常用方法
- Head First设计模式之策略模式(Strategy Pattern)
- C++实验2-类和对象1
- Android listview设置多个不同的item样式
- ES6语法篇(其一)
- JavaScript高级教程
- MVC三层,BLL层获取网站根目录
- Linux进程通信的几种方式
- 基于八叉树的网格生成算法剖析
- 二、IPC机制续(IPC方式)
- 【LeetCode】21. Merge Two Sorted Lists
- LaTeX零基础入门
- simhash算法