前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >什么是大O表示法

什么是大O表示法

作者头像
码农神说
发布2020-08-05 16:16:42
1.3K0
发布2020-08-05 16:16:42
举报
文章被收录于专栏:码农神说

做了这么多年的程序员,是不是一直靠着自己的聪明伶俐在编码,数据结构和算法是前辈们的心血和经验总结,不可错过。

数据结构是利用其存储结构和逻辑结构来有效地组织数据,比如线性的表、栈、队列,非线性的树、图等,而算法是描述运算的过程,良好的算法是建立在有效的数据结构之上的。

评价算法的指标

评价一个算法的好坏,除了他正确性指标外,就是所消耗的时间和空间

为了方便计算所消耗的时间,需要先作2个假设

  1. 算法与计算机的软硬件无关(硬件好理解,软件比如编程语言、执行器、编译器等);
  2. 代码中的每个语句所消耗的时间都一样,记作一个时间单位;

举个例子

代码语言:javascript
复制
for (int i = 0; i < n; i++) { //①
  for (int j = 0; j < n; j++) { //②
    c[i][j] = 0; //③
    for (int k = 0; k < n; k++) { //④
      c[i][j] = a[i][k] + b[k][j] + c[i][j]; //⑤
    }
  }
}

计算它所消耗时间的过程如下

  • 语句①需要循环到i=n时才会完结,所以它耗费n+1个时间单位;
  • 语句②同语句①,自己的的循环中耗费n+1个时间单位,但它在①的n次循环体内,所以消耗n*(n+1)个时间单位;
  • 语句③在语句①②循环体内,它们分别循环n次,所以语句③消耗n*n个时间单位;
  • 语句④同③,但它本身执行n+1,所以语句④消耗n*n*(n+1)个时间单位;
  • 语句⑤在语句①②④循环体内,它消耗n*n*n个时间单位;

所以总体消耗的时间为:n+1 + n*(n+1) + n*n+n*n*(n+1)+n*n*n=2n3+3n2+2n+1

算法的时间复杂度

上例最终消耗的时间可以用函数表示:T(n)=2n3+3n2+2n+1,但用这么长的算式评价算法的好坏过于繁冗。实际上它是变量n的函数,表示随着n的增大影响着T(n)的增长率变化,化繁为简可进一步抽象为n的量级函数:T(n)=O(f(n)。T(n)=2n3+3n2+2n+1的最大量级是n3,因此可简化为T(n)=O(n3),这就大O表示法。

计算机科学经常用大O表示算法的复杂度或衡量性能,它主要用于描述在最坏的情况下所花费的时间和空间(内存或磁盘)。

为了更形象,下面列举几个例子,根据计算消耗时间的方法很容易得出结果。

O(1)

O(1)表示算法的执行总是消耗相同的时间,比如

代码语言:javascript
复制
boolean isFirstElementEmpty(List<String> elements){
  return elements.get(0).isEmpty();
}

O(n)

O(n)表示算法的复杂度是线性增长的,与数据集的大小成正比。

代码语言:javascript
复制
boolean ContainsValue(List<String> elements, String value) {
  for (String element : elements) {
    if (element.equals(value)) return true;
  }

  return false;
}

如果不用foreach,使用for会更直观些

代码语言:javascript
复制
boolean ContainsValue(List<String> elements, String value) {
  int n = elements.size();
  for (int i = 0; i < n; i++) {
    if (elements.get(i).equals(value)) return true;
  }

  return false;
}

它是消耗时间单位算式是1+n+1+n+1=2n+3,根据n的量级简化为大O表示即O(n)。

O(n2)

O(n2)表示算法的复杂度与数据集大小的平方成正比,一般的循环嵌套就是这种,随着嵌套的层级增加可能是O(n3)、O(n4)等。

代码语言:javascript
复制
boolean ContainsDuplicates(List<String> elements) {
  for (int i = 0; i < elements.size(); i++) {
    for (int j = 0; j < elements.size(); j++) {
      if (i == j) continue;
      if (elements.get(i).equals(elements.get(j))) return true;
    }
  }

  return false;
}

O(2n)

O(2n)表示算法的复杂度与数据集大小成指数增长,比如递归

代码语言:javascript
复制
int Fibonacci(int number) {
  if (number <= 1) return number;

  return Fibonacci(number - 2) + Fibonacci(number - 1);
}

O(log2n)指数复杂度

二分法查找时间复杂度最好的情况是O(1),最坏的情况根据Master定理T(n)=T(n/2)+O(1),所以是O(log2n)。它的原理是对于已经排序的数据集,先取中间值进行对比,成功即返回否则根据对别结果确定下一次的中间值对比,依次类推

代码语言:javascript
复制
int binarySearch(int[] arr, int value) {
  int start = 0, end = arr.length - 1;
  while (start <= end) {
    int middle = (start + end) / 2;
    if (value == arr[middle]) {
      return middle;
    }
    if (value > arr[middle]) {
      start = middle + 1;
    }
    if (value < arr[middle]) {
      end = middle - 1;
    }
  }
  return -1;
}

算法空间的复杂度

空间的复杂度的计算方法和时间复杂度一样,只是这里假设算法的指令、常数、变量和输入数据用到的寄存器相同,而只计算其用到的辅助空间单元个数。

实际上时间和空间是一对矛盾的冤家,一般情况下要么拿时间换空间,要么拿空间换时间,鱼和熊掌不可兼得。

复杂度对比

算法的复杂度一般从小到达顺序依次是O(1) < O(log2n) < O(n) < O(nlog2n) < O(n2) < O(n3) < O(2n)

End

版权归@码农神说所有,转载须经授权,翻版必究

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-07-31,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 码农神说 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 评价算法的指标
  • 算法的时间复杂度
    • O(1)
      • O(n)
        • O(n2)
          • O(2n)
            • O(log2n)指数复杂度
            • 算法空间的复杂度
            • 复杂度对比
            领券
            问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档