内容简介:虽然随着计算机硬件的迭代更新,运算处理的性能越来越强,但实际上,它也需要根据输入数据的大小和算法效率来消耗一定的处理器资源。要想编写出能高效运行的程序,我们就需要考虑到衡量算法的
不管是 Android 代码还是数据结构的设计,都涉及到算法的问题,其中时间复杂度是一个Core,这篇文章我们就一起聊聊时间复杂度的原理!
1、算法效率
虽然随着计算机硬件的迭代更新,运算处理的性能越来越强,但实际上,它也需要根据输入数据的大小和算法效率来消耗一定的处理器资源。要想编写出能高效运行的程序,我们就需要考虑到 “算法的效率” 。
衡量算法的 “好坏” 和 “效率” 主要由以下两个指标(复杂度)来评估:
:sparkles: 时间复杂度(运行时间): 评估执行程序所需的时间,可以估算出程序对处理器的使用程度。 (本篇博文我们重点探讨时间复杂度)
:sparkles: 空间复杂度(占用空间): 评估执行程序所需的存储空间,可以估算出程序对计算机内存的使用程度。
2、算法事例
我们通过几个场景引出时间复杂度的概念,以及常见的几种时间复杂度,最后再总结比较它们的优劣!
场景一
生活场景: 你买了一箱“牛栏山二锅头”(16瓶),2天喝一瓶,全部喝完需要几天?
很简单的算术问题,2 ✖ 16 = 32 天,那如果一箱有 n 瓶,则需要 2 ✖ n = 2n 天,如果我们用一个函数来表达这个相对时间,可以记作
T(n) = 2n
。
代码场景:
for(int i = 0; i < n; i++){ // 执行次数是线性的 System.out.println("喝一瓶酒"); System.out.println("等待一天"); }
场景二
生活场景: 你又买了一箱“牛栏山二锅头”(16瓶),决定换个法子喝,5天为一个周期,喝剩下酒的一半,于是第一次喝 8 瓶,第二次喝 4 瓶,那么喝到最后一瓶需要几天?
这个问题其实也很简单,16/2 = 8,8/2 = 4,4/2 = 2,2/2 = 1(还剩一瓶),这不就是对数函数吗?以 2 为底数,16为真数,得到的对数就是我们需要的答案!我们可以简写为:5log16,如果一箱有 n 瓶,则需要 5logn 天,如果我们用一个函数来表达这个相对时间,可以记作
T(n) = 5logn
。
代码场景:
for(int i = 1; i < n; i *= 2){ System.out.println("喝一瓶酒"); System.out.println("等待一天"); System.out.println("等待一天"); System.out.println("等待一天"); System.out.println("等待一天");
场景三
生活场景: 酒喝多了,买了一瓶枸杞,3天喝一瓶,请问喝完枸杞要几天?
是的,你没听错,我只是问你喝完枸杞要多久?答案很简单:3天!如果我们用一个函数来表达这个相对时间,可以记作:
T(n) = 3
。
代码场景:
void drink(int n){ System.out.println("喝一瓶枸杞"); System.out.println("等待一天"); System.out.println("等待一天");
场景四
生活场景: 酒瘾难戒,又买了一箱好酒(6瓶),但是又不能多喝,于是第一瓶喝了1天,第二瓶喝了2天,第三瓶喝了3天,这样下去全部喝完需要几天?
不用我说,其实这就是一个 1 + 2 + 3 ... + 6 的算术问题,我们知道有个公式:6(6+1)/2 = 21 天,那如果有 n 瓶,就需要 n(n+1)/2 天,如果我们用一个函数来表达这个相对时间,可以记作
T(n) = n²/2 + n/2
。
代码场景:
void drink(int n){ for(int i = 0; i < n; i++){ for(int j = 0; j < i; j++){ System.out.println("等待一天"); } System.out.println("喝一瓶酒"); } }
3、渐进时间复杂度
有了基本操作执行次数的函数 T(n),是否就可以分析和比较一段代码的运行时间了呢?还是有一定的困难。比如算法 A 的相对时间是
T(n) = 100n
,算法 B 的相对时间是
T(n) = 5n²
,这两个到底谁的运行时间更长一些? 这就要看 n 的取值了!
所以,这时候有了 “渐进时间复杂度” (asymptotic time complectiy)的概念。
我们看看官方的定义:
若存在函数 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” 。渐进时间复杂度用大写 O 来表示,所以也被称为 “大O表示法” 。
4、推导原则
如何推导出时间复杂度呢?有如下几个原则:
:sparkles: 1、如果运行时间是常数量级,用常数 1 表示;
:sparkles: 2、只保留时间函数中的最高阶项;
:sparkles: 3、如果最高阶项存在,则省去最高阶项前面的系数。
5、事例再分析
场景一
相对时间:
T(n) = 2n
,根据推导原则三:最高阶数为 2n ,省去系数 2 ,转换后的时间复杂度为:
T(n) = O(n)
。
场景二
相对时间:
T(n) = 5logn
,根据推导原则三:最高阶数为 5logn ,省去系数 5 ,转换后的时间复杂度为:
T(n) = O(logn)
。
场景三
相对时间:
T(n) = 3
,根据推导原则一:只有常数量级 ,用常数 1 表示 ,转换后的时间复杂度为:
T(n) = O(1)
。
场景四
相对时间:
T(n) = n²/2 + n/2
,根据推导原则二:最高阶数为 n²/2 ,省去系数 0.5 ,转换后的时间复杂度为:
T(n) = O(n²)
。
这四种时间复杂度究竟谁用时更长,谁节省时间呢?
O(1) < O(logn) < O(n) < O(n²)
6、其他常见复杂度
除了常数阶、线性阶、平方阶、对数阶,还有如下时间复杂度:
f(n) | 时间复杂度 | 阶 |
---|---|---|
nlogn | O(nlogn) | nlogn 阶 |
n³ | O(n³) | 立方阶 |
2ⁿ | O(2ⁿ) | 指数阶 |
n! | O(n!) | 阶乘阶 |
(√n) | O(√n) | 平方根阶 |
7、复杂度比较
n | logn | √n | nlogn | n² | 2ⁿ | n! |
---|---|---|---|---|---|---|
5 | 2 | 2 | 10 | 25 | 32 | 120 |
10 | 3 | 3 | 30 | 100 | 1024 | 3628800 |
50 | 5 | 7 | 250 | 2500 | 约10^15 | 约3.0*10^64 |
100 | 6 | 10 | 600 | 10000 | 约10^30 | 约9.3*10^157 |
1000 | 9 | 31 | 9000 | 1000 000 | 约10^300 | 约4.0*10^2567 |
从上表可以看出,O(n)、O(logn)、O(√n)、O(nlogn) 随着 n 的增加,复杂度提升不大,因此这些复杂度属于效率比较高的算法,反观 O(2ⁿ) 和 O(n!) 当 n 增加到 50 时,复杂度就突破十位数了,这种效率极差的复杂度最好不要出现在程序中,因此在动手编程时要评估所写算法的最坏情况的复杂度。
这些时间复杂度究竟谁用时更长,谁节省时间呢?
O(1) < O(logn) < O(√n) < O(n) < O(nlogn) < O(n²) < O(n³) < O(2ⁿ) < O(n!)
8、再举一例
:confused:【疑问】:confused::现在计算机硬件性能越来越强,算法真的体验那么明显吗?算法时间复杂度真的需要那么重视吗?
我相信你肯定存在这样的疑问,虽然我们知道算法这个东西是很重要的,但是我们平常可能接触不多,很多时候计算机的性能已经能满足我们的需求,但是我还是要举个例子让你更直观的看到不同算法之间的巨大差异!
:boom: 算法 A 的相对时间规模是 T(n) = 100n,时间复杂度是 O(n),算法 A 运行在老旧电脑上。
:boom: 算法 B 的相对时间规模是 T(n) = 5n²,时间复杂度是 O(n²),算法 B 运行在某台超级计算机上,运行速度是老旧电脑的 100 倍。
当随着 n 的增大,我们通过表格看看 T(n) 的变化:
n | T(n) = 100n ✖ 100 | T(n) = 5n² |
---|---|---|
1 | 10000 | 5 |
5 | 50000 | 125 |
10 | 10 0000 | 500 |
100 | 100 0000 | 50000 |
1000 | 1000 0000 | 500 0000 |
2000 | 2000 0000 | 2000 0000 |
10000 | 1 0000 0000 | 5 0000 0000 |
100000 | 10 0000 0000 | 500 0000 0000 |
1000000 | 100 0000 0000 | 50000 0000 0000 |
从表格中可以看出,当 n 的值很小的时候,算法 A 的运行用时要远大于算法 B;当 n 的值达到 1000 左右,算法 A 和算法 B 的运行时间已经接近;当 n 的值达到 2000 左右,算法 A 和 算法 B 的运行时间一致;当 n 的值越来越大,达到十万、百万时,算法 A 的优势开始显现,算法 B 则越来越慢,差距越来越明显。这就是不同时间复杂度带来的差距,即便你的计算机很牛X!
参考博客
以上所述就是小编给大家介绍的《【算法专栏】-- 谈谈时间复杂度》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。