我是自动化专业的应届研究生,最终拿到了tplink、华为、vivo等公司的ssp的offer,分享自己学习过的计算机基础知识(C语言+操作系统+计算机网络+linux)以及数据结构与算法的相关知识,保证看完让你有所成长。
欢迎关注我,学习资料免费分享给你哦!还有其他超多学习资源,都是我自己学习过的,经过过滤之后的资源,免去你还在因为拥有大量资源不知如何入手的纠结,让你体系化学习。
对于一个算法来说,我们如何评价它的好坏呢?一般来说就是通过程序解决问题的时间和空间。现在的计算机空间效率一般已经不是关注的重点了,但是时间效率仍然是算法关注的重点。而考查一个程序的运行时间,就需要将程序每次执行的操作表示成输入规模的函数。这就是时间复杂度分析。时间复杂度的分析也是算法面试中常考的问题,经过最近的学习,总结如下。
什么是大O记法
举几个例子来说,O(f(n))是一个集合,表示的是所有函数的增长趋势小于等于f(n)的函数集合。比如n属于O(n^2),500n+10属于O(n ^ 2).
对于定义来说就是,对于一个函数g(n)属于O(f(n))中,表示如下的公式:
它表示的条件是:对于足够大的n,,g(n)的上界由f(n)的常数倍所确定,也就是说,存在大于0的常数c和非负数n0,使得:对于所有的n大于等于n0时,g(n)都是小于等于cf(n)的。
比如前面所说500n+10小于等于510n^2.它的c=501。
大O记法的一些特性
1.如果 并且,那么
这也是我们在计算时间复杂度中最常使用到的,比如一个算法的时间复杂度是 n^2+n+2,根据上面的定理,我们可以说它的大O时间复杂度是O(n ^ 2)。
2.对于常数的运行时间,对于大O表示法来说都是O(1)。
3.系数对于大O表示法是没有用的,比如n^2和1000n ^2来说,它们的大O记法是一样的,因为通过定义可以知道,系数其实本质上就是定义中的c,所以它们的大O记法都是O(n ^2)。
常见的时间复杂度
- 对于顺序结构的程序执行,它的时间复杂度就是O(1).
int a=10;
int b=5;
上面程序虽然执行了两步,但对于大O表示法来说,都是O(1),因为2相当于是系数,可以去掉。
- 下面这个循环结构的时间复杂度是O(n)
for(int i=0;i<n;i++)
{
int b=10
}
- 下面这个程序就是O(logn)的时间复杂度
int count=1;
while(count<n)
{
count=count*2;
}
由于每次执行count扩大两倍,那么就是2^ x=n,可以解得x=log以2为底的n的对数,所以时间复杂度就是O(logn)
- 双重循环就是O(n^2)的时间复杂度
for(int i=0;i<n;i++)
{
for(int j=0;j<n;j++)
{
//
}
}
非递归算法的时间复杂度分析
以查找数组中的最大值程序为例,分析计算一个非递归程序时间复杂度是如何计算的。
int MaxElement(int *A,int n)
{
int maxval=A[0];
for(int i=0;i<n;i++)
{
if(A[i]>maxval)
{
maxval=A[i];
}
}
return A[i];
}
可以看到,这个问题的输入规模是数组元素的个数决定的。由前面的学习可以知道,一个程序的时间复杂度是由程序之中大O最大部分决定的,所以只需要计算最大值就可以了,这个程序中的最大值是由for循环部分决定的。for循环内部进行了一步的比较操作,那么对于i从0到n-1,一共进行了n-1次比较,那么整个程序执行的次数就是:
所以时间复杂度是O(n),这个分析也证明了前面所说的for循环的时间复杂度是O(n).
非递归的时间复杂度分析的步骤如下:
1)首先找到问题的输入规模在哪里,例如本例的n
2)找出算法的基本操作(一般是最内层的循环)
3)建立一个算法基本操作的求和表达式,利用数学知识得到它的和
4)利用大O的一些准则简化表达式,得到最终的大O时间复杂度分析结果。
bool uniqueElements(int *A,int n)
{
for(int i=0;i<n-1;i++)
{
for(int j=i+1;j<n;j++)
{
if(A[i]==A[j])
{
return false;
}
}
}
return true;
}
我们根据上面的一个算法,找出一个数组中是否包含重复元素,来实践一下刚才所说的分析方法,首先找到输入规模为n,但是这个算法如果在中间出现了相同元素,就结束了,所以说不仅仅取决于n,还取决于数组中数据的情况,这里谈论一下最坏的情况,就是遍历了整个数组。
那么此时的输入规模就是n,找到关键的执行步骤,双重循环中的判断语句,每次执行一次。在内循环之中j在i+1和n-1之间的每一个值都会比较一次。在外循环中,i从0到n-2的每个值,都会重复上面的过程一遍。因此可以得到:
此时就考验数学了。首先将内部的j循环展开。
此时两个求和式子分别求解
将两个式子合并,得到
利用大O的准则可以得到它的最坏时间复杂度就是O(n^2)。当然这种非递归的其实很好记,看到循环就可以判断,这么推导是能够清楚的知道到底是如何计算时间复杂度,可以理解其本质,虽然面试不会考推导,但对自己来说是一种提升。
这里面用到了两个数学里的求和公式:
递归算法的时间复杂度分析
其实我从刚开始学习数据结构,就对这个递归程序复杂度的分析很迷惑,不知道如何计算,只是知道去死记硬背一些排序算法,比如归并排序等的时间复杂度。直到最近重新学习,才发现有主定理这种东西。
递归算法的时间复杂度主要有两种方法来计算,要根据算法的实际情况来选择,一种是每次递归只是将数据规模减一或者减二这种的,比如斐波那契数列。另一种是类型归并排序和快速排序这种分治思想的递归算法,将问题的规模分成几份,分别求解。
迭代法
比如采用递归的算法计算n的阶乘。
int F(int n)
{
if(n==0) return 1;
else return F(n-1)*n;
}
我们假设F(n)所需要的执行的次数是C(n),那么就可以将C(n)用如下的公式表示出来了。
其中C(n-1)是用来计算F(n-1)的运算次数,而1是表示乘法的运算此时。而当n==0时,就是C(0)=1,因为直接返回了值。那么我们就可以根据上面的式子来进行迭代求解了。
逐步迭代可以迭代出以下的式子:
所以这个算法的时间复杂度是O(n)。
下面我们在以著名的汉诺塔问题为例,这里不详细解释这个问题了,直接把递归程序拿过来借用,学习如何使用迭代法分析时间复杂度。
void hanNuo(int n,char A,char B,char C)
{
if(n>0)
{
hanNuo(A,C,B,n-1);
cout<<"A to C"<<endl;
hanNuo(B,A,C,n-1);
}
}
还是用C(n)来表示hanNuo(n)的执行次数,那么就可以根据递归的公式来表示出C(n).
还是按照递归的方法逐渐向下展开
因为最后递归到n=1,所以上面式子的i=n-1即可。
所以汉诺塔问题的时间复杂度就是O(2^n)。
这就是迭代法求解递归算法的时间复杂度分析的方法。
主定理
当递归函数的时间函数满足如下的关系时,就可以使用主定理了。
式子中的a就是递归子问题的个数,b是每个递归子问题是原问题的规模,f(n)表示的是合并递归结果所需要的操作。
使用这个定理,只需要记住三种情况即可
下面举例分析。
以归并排序为例,归并排序的代码这里就不贴了,首先是将两个问题分成相等的两部分,所以b=2,需要左侧递归和右侧递归,两部分那么a=2,将两部分合并的起来的f(n)的操作的时间复杂度是O(n).所以根据主定理可以得到O(n)=O(f(n)),所以时间复杂度为O(nlogn)。
在看下面的程序
int lianxi(int n)
{
if(n==0)
{
return 0;
}
return lianxi(n/4)+lianxi(n/4);
}
根据主定理,可以看到a=2,b=4,而O(f(n))=O(1),因为只是进行了加法运算。所以比较
所以这个时间复杂度就是O(根号n)。
对于快速排序也是一样可以这么分析,这里不在详细分析了。