基本的计算步骤
时间复杂度的定义
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(O是数量级的符号
),简称时间复杂度。
根据定义,可以归纳出基本的计算步骤
1. 计算出基本操作的执行次数T(n)
基本操作即算法中的每条语句(以;号作为分割),语句的执行次数也叫做语句的频度。在做算法分析时,一般默认为考虑最坏的情况。
2. 计算出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
令f(n)=T(n)的数量级。
3. 用大O来表示时间复杂度
当n趋近于无穷大时,如果lim(T(n)/f(n))的值为不等于0的常数,则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n))。
一个示例:
(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.
语句int num1, num2;的频度为1;
语句i=0;的频度为1;
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.
忽略掉T(n)中的常量、低次幂和最高次幂的系数
f(n) = n*log2n
3.
lim(T(n)/f(n)) = (2+4n+3n*log2n) / (n*log2n)
= 2*(1/n)*(1/log2n) + 4*(1/log2n) + 3
当n趋向于无穷大,1/n趋向于0,1/log2n趋向于0
所以极限等于3。
T(n) = O(n*log2n)
简化的计算步骤
再来分析一下,可以看出,决定算法复杂度的是执行次数最多的语句,这里是num2 += num1,一般也是最内循环的语句。
并且,通常将求解极限是否为常量也省略掉?
于是,以上步骤可以简化为:
1. 找到执行次数最多的语句
2. 计算语句执行次数的数量级
3. 用大O来表示结果
继续以上述算法为例,进行分析:
1.
执行次数最多的语句为num2 += num1
2.
T(n) = n*log2n
f(n) = n*log2n
3.
// lim(T(n)/f(n)) = 1
T(n) = O(n*log2n)
--------------------------------------------------------------------------------
一些补充说明
最坏时间复杂度
算法的时间复杂度不仅与语句频度有关,还与问题规模及输入实例中各元素的取值有关。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。这就保证了算法的运行时间不会比任何更长。
求数量级
即求对数值(log),默认底数为10,简单来说就是“一个数用标准科学计数法表示后,10的指数”。例如,5000=5x10 3 (log5000=3) ,数量级为3。另外,一个未知数的数量级为其最接近的数量级,即最大可能的数量级。
求极限的技巧
要利用好1/n。当n趋于无穷大时,1/n趋向于0
--------------------------------------------------------------------------------
一些规则(引自:时间复杂度计算
)
1) 加法规则
T(n,m) = T1(n) + T2(n) = O (max ( f(n), g(m) )
2) 乘法规则
T(n,m) = T1(n) * T2(m) = O (f(n) * g(m))
3) 一个特例(问题规模为常量的时间复杂度)
在大O表示法里面有一个特例,如果T1(n) = O(c), c是一个与n无关的任意常数,T2(n) = O ( f(n) ) 则有
T(n) = T1(n) * T2(n) = O ( c*f(n) ) = O( f(n) )
也就是说,在大O表示法中,任何非0正常数都属于同一数量级,记为O(1)。
4) 一个经验规则
复杂度与时间效率的关系:
c < log2n < n < n*log2n < n2 < n3 < 2n < 3n < n! (c是一个常量)
|--------------------------|--------------------------|-------------|
较好 一般 较差
其中c是一个常量,如果一个算法的复杂度为c 、 log2n 、n 、 n*log2n,那么这个算法时间效率比较高 ,如果是 2n , 3n ,n!,那么稍微大一些的n就会令这个算法不能动了,居于中间的几个则差强人意。
--------------------------------------------------------------------------------------------------
复杂情况的分析
以上都是对于单个嵌套循环的情况进行分析,但实际上还可能有其他的情况,下面将例举说明。
1.并列循环的复杂度分析
将各个嵌套循环的时间复杂度相加。
例如:
for (i=1; i<=n; i++)
x++;
for (i=1; i<=n; i++)
for (j=1; j<=n; j++)
x++;
解:
第一个for循环
T(n) = n
f(n) = n
时间复杂度为Ο(n)
第二个for循环
T(n) = n2
f(n) = n2
时间复杂度为Ο(n2)
整个算法的时间复杂度为Ο(n+n2) = Ο(n2)。
2.函数调用的复杂度分析
例如:
public void printsum(int count){
int sum = 1;
for(int i= 0; i<n; i++){
sum += i;
}
System.out.print(sum);
}
分析:
记住,只有可运行的语句才会增加时间复杂度,因此,上面方法里的内容除了循环之外,其余的可运行语句的复杂度都是O(1)。
所以printsum的时间复杂度 = for的O(n)+O(1) = 忽略常量 = O(n)
*这里其实可以运用公式 num = n*(n+1)/2,对算法进行优化,改为:
public void printsum(int count){
int sum = 1;
sum = count * (count+1)/2;
System.out.print(sum);
}
这样算法的时间复杂度将由原来的O(n)降为O(1),大大地提高了算法的性能。
3.混合情况(多个方法调用与循环)的复杂度分析
例如:
public void suixiangMethod(int n){
printsum(n);//1.1
for(int i= 0; i<n; i++){
printsum(n); //1.2
}
for(int i= 0; i<n; i++){
for(int k=0; k
System.out.print(i,k); //1.3
}
}
suixiangMethod 方法的时间复杂度需要计算方法体的各个成员的复杂度。
也就是1.1+1.2+1.3 = O(1)+O(n)+O(n2) ----> 忽略常数 和 非主要项 == O(n2)
--------------------------------------------------------------------------------------------------
更多的例子
O(1)
交换i和j的内容
temp=i;
i=j;
j=temp;
以上三条单个语句的频度为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(n2)
sum=0; /* 执行次数1 */
for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
sum++; /* 执行次数n2 */
解:T(n) = 1 + n2 = O(n2)
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) = 2n2-n-1
T(n) = 2n2-n-1+(n-1) = 2n2-2
f(n) = n2
lim(T(n)/f(n)) = 2 + 2*(1/n2) = 2
T(n) = O(n2).
O(n)
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,
语句4的频度:n,
语句5的频度:n,
T(n) = 2+4n
f(n) = n
lim(T(n)/f(n)) = 2*(1/n) + 4 = 4
T(n) = O(n).
O(log2n)
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t, 则:nt<=n; t<=log2n
考虑最坏情况,取最大值t=log2n,
T(n) = 1 + log2n
f(n) = log2n
lim(T(n)/f(n)) = 1/log2n + 1 = 1
T(n) = O(log2n)
O(n3)
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)/2次
T(n) = n(n+1)(n-1)/2 = (n3-n)/2
f(n) = n3
所以时间复杂度为O(n3)。
--------------------------------------------------------------------------------------------------
参考资料
分享到:
相关推荐
本文将深入探讨基于C语言实现的八种常见排序算法,并分析它们的时间复杂度,旨在帮助读者更好地理解各种排序方法的优劣。 1. 冒泡排序(Bubble Sort) 冒泡排序是一种简单的排序算法,它重复地遍历待排序的数列,一...
该算法的时间复杂度分析表明,二分搜索算法的最坏情况下的计算时间复杂性为 O(log n)。 本资源摘要信息涵盖了算法分析的基本概念、描述方法、非递归算法分析、递归算法分析、分治策略设计思想、二分搜索算法及时间...
报告题目:巴士司机的加班费 ...通过本次设计,学生能够深入理解贪心算法的原理,掌握如何利用最优子结构解决实际问题,并具备分析和评估算法复杂度的能力。此外,报告的撰写也锻炼了学生的文档整理和表达技巧。
算法效率通常表现为时间复杂度和空间复杂度,这两个指标反映了算法对于输入规模的响应速度和占用的存储空间。在实际应用中,例如气象预报、图像处理等领域,算法效率的提升可以极大缩短计算时间,对科学研究和工业...
分治法的效率分析涉及递归算法的时间复杂度计算,通常通过建立递推式来求解。通用的分治递推式反映了问题分解的比例和子问题求解的次数,通过求解这些递推式,我们可以得到算法的时间复杂度。分治法在许多重要算法中...
7. **算法复杂性的分析**:通常来说,算法的最坏情况的时间复杂性比平均情况的时间复杂性更容易计算。这是因为最坏情况通常涉及对算法行为的边界条件考虑,而这些条件往往更简单明了。因此,此判断正确。 8. **问题...
时间复杂度衡量的是算法执行时间随输入规模的增长速度,空间复杂度则是算法运行时占用存储空间的大小。 2. 多项式的上界通常用大O记号表示,例如O(n^m)表示算法时间复杂度为n的m次方。 3. 算法的基本特征包括:...
时间复杂度描述了算法执行时间与输入规模的关系,通常使用大O记法表示,如线性时间复杂度O(n)、平方时间复杂度O(n^2)和对数时间复杂度O(log n)。空间复杂度则是算法在运行过程中所需内存空间的最大量。除了基本的渐...
本文将对《算法设计与分析基础整理》中的主要算法进行详细的阐述,帮助读者理解这些基础算法的工作原理和应用场景。 1. **顺序查找**:这是一种简单直观的搜索方法,适用于非排序数据结构。在最坏情况下,需要检查...
在处理大规模整数乘法时,例如计算a^n,当n很大时,矩阵快速幂可以达到O(log n)的时间复杂度。 4. **两凸包最近距离**:在计算几何中,找到两个凸包上点的最短距离是一个经典问题。可以使用扫描线算法或者Graham's ...
算法复杂度是指执行算法所需要的计算工作量,可以分为时间复杂度和空间复杂度两个方面。时间复杂度是指执行算法所需要的计算工作量,空间复杂度是指执行这个算法所需要的内存空间。算法的时间复杂度和空间复杂度都是...
常见的算法复杂度包括时间复杂度和空间复杂度。时间复杂度是指算法执行所需的时间,而空间复杂度是指算法执行所需的空间。 三、用循环比递归效率高吗? 循环和递归是两种常见的算法设计方法。循环是指通过重复执行...
综合以上内容,可以看出该文件主要讨论了算法设计与分析中的一些关键概念,包括算法复杂度分析、图论、排序算法、动态规划、递归分治策略以及基本的数据结构等。这些内容是计算机专业学生在算法和数据结构课程中应该...
- 正确:通常情况下,计算最坏情况的时间复杂度要比计算平均情况的时间复杂度更容易。 8. **多项式时间转换的意义** - 错误:如果问题P2可以多项式时间转化为问题P1,那么这意味着P1至少和P2一样难。这是因为,...
在学习算法的过程中,理解每种算法的时间复杂度和空间复杂度至关重要,它们衡量了算法运行时间和所需的内存空间。例如,O(1)表示常数时间复杂度,表明算法的执行时间不随输入数据规模增加而改变;而O(n^2)表示平方...
- **定义**:近似算法旨在以较低的计算复杂度,在合理的时间内找到接近最优解的解。 - **优点**:通常具有较低的计算复杂度,能够快速给出解决方案。 - **示例**:旅行商问题(TSP)中的最近邻算法。 **1.3 启发式...
时间复杂度描述了执行算法所需计算工作量的增长速率,而空间复杂度则表示执行算法所需的内存空间。理解这两个概念对于优化代码性能至关重要。 数据结构是算法的基石,它定义了数据元素之间的关系。逻辑结构反映了...
例如,快速排序是实际应用中最常用的排序算法之一,其平均时间复杂度为O(n log n);而计数排序则是一种非基于比较的排序,适合对整数进行排序,具有线性时间复杂度。 搜索算法部分包括深度优先搜索(DFS)、广度...