当前位置:首页 > 杂记 > 正文内容

十分钟搞定时间复杂度(算法的时间复杂度)

放牧的风5年前 (2019-10-11)杂记1072

我们假设计算机运行一行基础代码需要执行一次运算。

int aFunc(void) {
    printf("Hello, World!\n");    //  需要执行 1 次    
    return 0;              // 需要执行 1 次
}

那么上面这个方法需要执行 2 次运算

int aFunc(int n) {    
  for(int i = 0; i<n; i++) {    // 需要执行 (n + 1) 次
        printf("Hello, World!\n");     // 需要执行 n 次    
  }   
  return 0;               // 需要执行 1 次
}

这个方法需要 (n + 1 + n + 1) = 2n + 2 次运算。

我们把 算法需要执行的运算次数 用 输入大小n 的函数 表示,即 T(n) 。
此时为了 估算算法需要的运行时间 和 简化算法分析,我们引入时间复杂度的概念。

定义:存在常数 c 和函数 f(N),使得当 N >= c 时 T(N) <= f(N),表示为 T(n) = O(f(n)) 。
如图:

1010568-20191011093247689-1764118047.png

当 N >= 2 的时候,f(n) = n^2 总是大于 T(n) = n + 2 的,于是我们说 f(n) 的增长速度是大于或者等于 T(n) 的,也说 f(n) 是 T(n) 的上界,可以表示为 T(n) = O(f(n))。

因为f(n) 的增长速度是大于或者等于 T(n) 的,即T(n) = O(f(n)),所以我们可以用 f(n) 的增长速度来度量 T(n) 的增长速度,所以我们说这个算法的时间复杂度是 O(f(n))。

算法的时间复杂度,用来度量算法的运行时间,记作: T(n) = O(f(n))。它表示随着 输入大小n 的增大,算法执行需要的时间的增长速度可以用 f(n) 来描述。

显然如果 T(n) = n^2,那么 T(n) = O(n^2),T(n) = O(n^3),T(n) = O(n^4) 都是成立的,但是因为第一个 f(n) 的增长速度与 T(n) 是最接近的,所以第一个是最好的选择,所以我们说这个算法的复杂度是 O(n^2) 。

那么当我们拿到算法的执行次数函数 T(n) 之后怎么得到算法的时间复杂度呢?

1、我们知道常数项对函数的增长速度影响并不大,所以当 T(n) = c,c 为一个常数的时候,我们说这个算法的时间复杂度为 O(1);如果 T(n) 不等于一个常数项时,直接将常数项省略。

比如
第一个 Hello, World 的例子中 T(n) = 2,所以我们说那个函数(算法)的时间复杂度为 O(1)。
T(n) = n + 29,此时时间复杂度为 O(n)。

2、我们知道高次项对于函数的增长速度的影响是最大的。n^3 的增长速度是远超 n^2 的,同时 n^2 的增长速度是远超 n 的。 同时因为要求的精度不高,所以我们直接忽略低此项。

比如
T(n) = n^3 + n^2 + 29,此时时间复杂度为 O(n^3)。

3、因为函数的阶数对函数的增长速度的影响是最显著的,所以我们忽略与最高阶相乘的常数。

比如
T(n) = 3n^3,此时时间复杂度为 O(n^3)。

综合起来:如果一个算法的执行次数是 T(n),那么只保留最高次项,同时忽略最高项的系数后得到函数 f(n),此时算法的时间复杂度就是 O(f(n))。为了方便描述,下文称此为 大O推导法。

由此可见,由执行次数 T(n) 得到时间复杂度并不困难,很多时候困难的是从算法通过分析和数学运算得到 T(n)。对此,提供下列四个便利的法则,这些法则都是可以简单推导出来的,总结出来以便提高效率。

1、对于一个循环,假设循环体的时间复杂度为 O(n),循环次数为 m,则这个循环的时间复杂度为 O(n×m)。

void aFunc(int n) {    
    for(int i = 0; i < n; i++) {    // 循环次数为 n
        printf("Hello, World!\n");      // 循环体时间复杂度为 O(1)    
    }
}

此时时间复杂度为 O(n × 1),即 O(n)。

2、对于多个循环,假设循环体的时间复杂度为 O(n),各个循环的循环次数分别是a, b, c...,则这个循环的时间复杂度为 O(n×a×b×c...)。分析的时候应该由里向外分析这些循环。

void aFunc(int n) {    
    for(int i = 0; i < n; i++) {       // 循环次数为 n        
        for(int j = 0; j < n; j++) {     // 循环次数为 n
            printf("Hello, World!\n");         // 循环体时间复杂度为 O(1)        
    }
  }
}

此时时间复杂度为 O(n × n × 1),即 O(n^2)。

3、对于顺序执行的语句或者算法,总的时间复杂度等于其中最大的时间复杂度。

void aFunc(int n) {    
    // 第一部分时间复杂度为 O(n^2)    
    for(int i = 0; i < n; i++) {        
        for(int j = 0; j < n; j++) {
            printf("Hello, World!\n");
    }
  }    
  // 第二部分时间复杂度为 O(n)    
  for(int j = 0; j < n; j++) {
        printf("Hello, World!\n");
    }
}

此时时间复杂度为 max(O(n^2), O(n)),即 O(n^2)。

4、对于条件判断语句,总的时间复杂度等于其中 时间复杂度最大的路径 的时间复杂度。

void aFunc(int n) {    
    if (n >= 0) {        
        // 第一条路径时间复杂度为 O(n^2)        
        for(int i = 0; i < n; i++) {            
            for(int j = 0; j < n; j++) {
                printf("输入数据大于等于零\n");
      }
    }
  } else {        
      // 第二条路径时间复杂度为 O(n)        
      for(int j = 0; j < n; j++) {
            printf("输入数据小于零\n");
    }
  }
}

此时时间复杂度为 max(O(n^2), O(n)),即 O(n^2)。

时间复杂度分析的基本策略是:从内向外分析,从最深层开始分析。如果遇到函数调用,要深入函数进行分析。

最后,我们来练习一下

一. 基础题
求该方法的时间复杂度

void aFunc(int n) {    
    for (int i = 0; i < n; i++) {        
        for (int j = i; j < n; j++) {
            printf("Hello World\n");
    }
  }
}

参考答案:
当 i = 0 时,内循环执行 n 次运算,当 i = 1 时,内循环执行 n - 1 次运算……当 i = n - 1 时,内循环执行 1 次运算。
所以,执行次数 T(n) = n + (n - 1) + (n - 2)……+ 1 = n(n + 1) / 2 = n^2 / 2 + n / 2。
根据上文说的 大O推导法 可以知道,此时时间复杂度为 O(n^2)。

二. 进阶题
求该方法的时间复杂度

void aFunc(int n) {    
    for (int i = 2; i < n; i++) {
        i *= 2;
        printf("%i\n", i);
    }
}

参考答案:
假设循环次数为 t,则循环条件满足 2^t < n。
可以得出,执行次数t = log(2)(n),即 T(n) = log(2)(n),可见时间复杂度为 O(log(2)(n)),即 O(log n)。

三. 再次进阶
求该方法的时间复杂度

long aFunc(int n) {    
    if (n <= 1) {        
        return 1;
    } else {
        return aFunc(n - 1) + aFunc(n - 2);
    }
}

参考答案:
显然运行次数,T(0) = T(1) = 1,同时 T(n) = T(n - 1) + T(n - 2) + 1,这里的 1 是其中的加法算一次执行。
显然 T(n) = T(n - 1) + T(n - 2) 是一个斐波那契数列,通过归纳证明法可以证明,当 n >= 1 时 T(n) < (5/3)^n,同时当 n > 4 时 T(n) >= (3/2)^n。
所以该方法的时间复杂度可以表示为 O((5/3)^n),简化后为 O(2^n)。
可见这个方法所需的运行时间是以指数的速度增长的。如果大家感兴趣,可以试下分别用 1,10,100 的输入大小来测试下算法的运行时间,相信大家会感受到时间复杂度的无穷魅力。

 

扫描二维码推送至手机访问。

版权声明:本文由放牧的风发布,如需转载请注明出处。

本文链接:https://grazingwind.com/post/42.html

标签: 算法复杂度
分享给朋友:

相关文章

五分钟了解CDN

五分钟了解CDN

一、什么是CDN?CDN全称Content Delivery Network,即内容分发网络。其基本思路是尽可能避开互联网上有可能影响数据传输速度和稳定性的瓶颈和环节,使内容传输的更快、更稳定。通过在网络各处放置节点服务器所构成的在现有的互...

一键搭建Telegram的MTProto代理

一键搭建Telegram的MTProto代理

最近玩了一段时间的Telegram,感觉挺好玩的。但是苦于国内不太好上去,所以自己搭了一个代理。这里分享一下搭建过程。MTProto协议介绍MTProto协议是 Telegram 为了对抗网络封锁开发的专用代理(MTPr...

centos通过配置ssh-key实现github连接

centos通过配置ssh-key实现github连接

最近github更新了策略,原来是用密码的方式进行代码push、pull的方法被禁掉了。尝试git操作时,会有下面的提示:remote: Support for password authentica...

解决Chrome开启硬件加速后播放视频黑屏闪烁

解决Chrome开启硬件加速后播放视频黑屏闪烁

最近在使用Chrome时遇到了一个比较头疼的问题,就是开启硬件加速后,播放视频黑屏闪烁,整个眼都要被晃瞎了。终于找到了一个解决方案,在此记录一下。硬件加速开启方法硬件加速是指,应用程序使用计算机硬件的能力,比软件实现的功能能够更有效地执行某...