算法的时间复杂度和空间复杂度合称为算法的复杂度。
1.时间复杂度
(1)时间频度 一个算法执行所耗费的时间,从理论上是不能算出来的,必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试,只需知道哪个算法花费的时间多,哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
(2)时间复杂度 在刚才提到的时间频度中,n称为问题的规模,当n不断变化时,时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此,我们引入时间复杂度概念。 一般情况下,算法中基本操作重复执行的次数是问题规模n的某个函数,用T(n)表示,若有某个辅助函数f(n),使得当n趋近于无穷大时,T(n)/f(n)的极限值为不等于零的常数,则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n)),称O(f(n)) 为算法的渐进时间复杂度,简称时间复杂度。
时间频度不同,但时间复杂度可能相同。如:T(n)=n2+3n+4与T(n)=4n2+2n+1它们的频度不同,但时间复杂度相同,都为O(n2)。
按数量级递增排列,常见的时间复杂度有:常数阶O(1),对数阶O(log2n),线性阶O(n), 线性对数阶O(nlog2n),平方阶O(n2),立方阶O(n3),..., k次方阶O(nk),指数阶O(2n)。随着问题规模n的不断增大,上述时间复杂度不断增大,算法的执行效率越低。
(3)最坏时间复杂度和平均时间复杂度 最坏情况下的时间复杂度称最坏时间复杂度。一般不特别说明,讨论的时间复杂度均是最坏情况下的时间复杂度。 这样做的原因是:最坏情况下的时间复杂度是算法在任何输入实例上运行时间的上界,这就保证了算法的运行时间不会比任何更长。
在最坏情况下的时间复杂度为T(n)=0(n),它表示对于任何输入实例,该算法的运行时间不可能大于0(n)。 平均时间复杂度是指所有可能的输入实例均以等概率出现的情况下,算法的期望运行时间。
指数阶0(2n),显然,时间复杂度为指数阶0(2n)的算法效率极低,当n值稍大时就无法应用。
(4)求时间复杂度
【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)。
x=91; y=100;
while(y>0) if(x>100) {x=x-10;y--;} else x++;
解答: T(n)=O(1),
这个程序看起来有点吓人,总共循环运行了1000次,但是我们看到n没有?
没。这段程序的运行是和n无关的,
就算它再循环一万年,我们也不管他,只是一个常数阶的函数
while(y>0) if(x>100) {x=x-10;y--;} else x++;
解答: T(n)=O(1),
这个程序看起来有点吓人,总共循环运行了1000次,但是我们看到n没有?
没。这段程序的运行是和n无关的,
就算它再循环一万年,我们也不管他,只是一个常数阶的函数
【2】当有若干个循环语句时,算法的时间复杂度是由嵌套层数最多的循环语句中最内层语句的频度f(n)决定的。
x=1;
for(i=1;i<=n;i++)
for(j=1;j<=i;j++)
for(k=1;k<=j;k++)
x++;
该程序段中频度最大的语句是(5),内循环的执行次数虽然与问题规模n没有直接关系,但是却与外层循环的变量取值有关,而最外层循环的次数直接与n有关,因此可以从内层循环向外层分析语句(5)的执行次数: 则该程序段的时间复杂度为T(n)=O(n3/6+低次项)=O(n3)
【3】算法的时间复杂度不仅仅依赖于问题的规模,还与输入实例的初始状态有关。
在数值A[0..n-1]中查找给定值K的算法大致如下:
i=n-1;
while(i>=0&&(A[i]!=k))
i--;
return i;
此算法中的语句(3)的频度不仅与问题规模n有关,还与输入实例中A的各元素取值及K的取值有关: ①若A中没有与K相等的元素,则语句(3)的频度f(n)=n; ②若A的最后一个元素等于K,则语句(3)的频度f(n)是常数0。
(5)时间复杂度评价性能
有两个算法A1和A2求解同一问题,时间复杂度分别是T1(n)=100n2,T2(n)=5n3。(1)当输入量n<20时,有T1(n)>T2(n),后者花费的时间较少。(2)随着问题规模n的增大,两个算法的时间开销之比5n3/100n2=n/20亦随着增大。即当问题规模较大时,算法A1比算法A2要有效地多。它们的渐近时间复杂度O(n2)和O(n3)从宏观上评价了这两个算法在时间方面的质量。在算法分析时,往往对算法的时间复杂度和渐近时间复杂度不予区分,而经常是将渐近时间复杂度T(n)=O(f(n))简称为时间复杂度,其中的f(n)一般是算法中频度最大的语句频度。
2.空间复杂度
一个程序的空间复杂度是指运行完一个程序所需内存的大小。利用程序的空间复杂度,可以对程序的运行所需要的内存多少有个预先估计。一个程序执行时除了需要存储空间和存储本身所使用的指令、常数、变量和输入数据外,还需要一些对数据进行操作的工作单元和存储一些为现实计算所需信息的辅助空间。程序执行时所需存储空间包括以下两部分。
(1)固定部分。这部分空间的大小与输入/输出的数据的个数多少、数值无关。主要包括指令空间(即代码空间)、数据空间(常量、简单变量)等所占的空间。这部分属于静态空间。
(2)可变空间,这部分空间的主要包括动态分配的空间,以及递归栈所需的空间等。这部分的空间大小与算法有关。
一个算法所需的存储空间用f(n)表示。S(n)=O(f(n)) 其中n为问题的规模,S(n)表示空间复杂度。
相关推荐
时间复杂度与空间复杂度详解(曼波版)
### 算法的时间复杂度与空间复杂度详解 #### 一、算法复杂度概述 在计算机科学领域,算法的时间复杂度与空间复杂度是衡量一个算法效率的重要指标。时间复杂度关注的是算法执行时间的增长速率,而空间复杂度则侧重...
### 算法复杂度详解:时间复杂度与空间复杂度 #### 一、时间复杂度 **1. 时间频度** 在讨论算法效率时,我们通常关注算法执行所耗费的时间。理论上直接计算出算法的确切执行时间是不可行的,这需要具体的硬件...
在评估算法时,主要关注的是时间复杂度和空间复杂度。 #### 三、时间频度与时间复杂度 **时间频度**是指算法中各语句执行的次数。通常情况下,算法执行所耗费的时间与语句执行的次数成正比。例如,一个包含n个元素...
### 知识点详解 #### 一、均值滤波简介 均值滤波是一种常见的图像处理技术,用于平滑图像、去除噪声。其基本原理是通过计算图像局部区域(通常称为窗口)内的像素平均值来代替该区域中心点的像素值。这种滤波方法...
内容概要:本文详细介绍了堆排序算法的基本概念、建堆和排序过程,以及其时间复杂度和空间复杂度。堆排序是一种高效的基于比较的排序算法,利用二叉堆的数据结构特性进行排序。具体步骤包括建堆和排序过程,通过下沉...
《Big O cheat sheets.pdf》是一份非常实用的参考文档,它总结了多种常见排序算法的时间复杂度和空间复杂度,并对比了不同数据结构的基本操作(如搜索、插入、删除等)的平均时间和最坏时间。该文档由 GitHub 用户 ...
10. 数据结构的设计需要考虑算法的时间复杂度、空间复杂度和可读性等因素,以便选择合适的数据结构和算法。 11. 在数据结构中,递归和迭代是两种常用的算法设计方法。递归指的是函数调用自身的方式,而迭代指的是...
在分析时间复杂度时,我们可以看到,无论是递归还是非递归算法,俄式乘法的时间复杂度都是O(n),其中n为输入数字的位数。这是因为每一步都需要处理n位数字。这比传统的乘法算法(如学校教的竖式乘法)的O(n^2)时间...
堆排序的平均和最坏时间复杂度均为O(n log n)。 9. **归并排序**: 归并排序通过分治策略将大问题分解为小问题解决,然后将有序的子序列合并成最终的有序序列。无论数据状态如何,归并排序的时间复杂度始终为O(n ...
排序算法的时间复杂度和空间复杂度是衡量其性能的两个重要指标。 插入排序 插入排序是一种简单的排序算法,通过将每个元素插入到已经排好序的数组中来实现排序。插入排序的时间复杂度为O(n^2),空间复杂度为O(1)。 ...
### 时间复杂度与空间复杂度详解 “时间复杂度和空间复杂度”是衡量算法效率的两个关键指标。时间复杂度表示算法执行时间随输入数据规模增长的趋势,常用O符号来描述,例如O(1)表示常数时间,O(n)表示线性时间,O(n...
随后讨论了评价算法优劣的关键指标,包括时间复杂度、空间复杂度、正确性、可读性和可维护性。最后通过具体实例解析了几种常见算法,如快速排序、归并排序、二分搜索、迪杰斯特拉算法和深度优先搜索。 适合人群:...
此外,讨论了层次聚类算法的时间复杂度和空间复杂度,并提出了一种优化层次聚类的方法——加入连通性约束来改进复杂度与效果。 适用人群:适用于对层次聚类算法有一定认识但想要进一步深入了解研究的学习者以及研究...
这些算法的时间复杂度和空间复杂度各不相同,本文将对这些算法进行详细的介绍。 冒泡排序(Bubble Sort) 冒泡排序是一种简单的排序算法,通过重复地走访过要排序的数列,依次比较相邻两个数的大小,若他们的顺序...
### ACM位运算技巧详解 #### 位运算基础与特性 位运算是一种在计算机科学中广泛使用的操作,它直接对整数的二进制位进行处理。位运算具有速度快、节省空间的特点,在算法设计、数据结构优化以及编程竞赛中尤为重要...
最后进行了算法时间复杂度及空间复杂度的讨论,指出其时间复杂度是O(n log n), 空间复杂度是O(1),并且强调虽然堆排序没有快速排序那么高效,但在某些场景下仍是非常好的选择。适合对算法有兴趣的人群和编程初学者...
每种算法都通过代码示例解释了其基本思想、实现步骤、时间复杂度和空间复杂度,并分析了各自的优缺点和适用场景。 适合人群:具备一定Python基础,对排序算法有初步了解的编程学习者或从业人员。 使用场景及目标:...
- **解析**:时间复杂度和空间复杂度之间没有必然的联系。 - **答案**:B (三种说法都不对) **真题6**:算法复杂度除了时间复杂度还包括什么? - **解析**:算法复杂度包括时间复杂度和空间复杂度。 - **答案**:...
排序算法的时间复杂度和空间复杂度是评估其性能的重要指标。本文将对七种常用的排序算法进行详细的介绍,包括冒泡排序、选择排序、快速排序、插入排序、希尔排序、归并排序和堆排序。 冒泡排序 冒泡排序是一种简单...