数据结构与算法-学习笔记2
2014-12-10 14:05
513 查看
时间复杂度和空间复杂度
算法效率的质量方法
事后统计方法
主要是通过设计好的测试程序和数据,利用计算机计时器对不同算法编制的程序的运行时间进行比较,从而确定算法的效率高低
缺陷:必须依据事先编制好的测试程序,需要花费大量的时间和精力
事前估算方法
在计算机程序编写前,依据统计方法进行估算
总结:高级语言编写的程序,运行时消耗的时间取决于一下因素
算法采用的策略,方案
编译产生代码的质量
问题的输入规模
机器执行指令的速度
分析一个算法的运行时间时,重要的是把基本操作的数量和输入模式关联起来
函数的渐进增长
给定两个函数f(n)和g(n),如果存在一个整数N,使得对于所有的n>N,f(n)总是比g(n)大,那么,我们说f(n)的增长渐进快于g(n)
测试:算法A是4n+8,算法B是2n^2+1
去掉实数变换不大
判断一个算法的效率时,函数中的常数和其它次要项常常可以忽略,更应该关注主项的阶数。
时间复杂度
算法时间复杂度的定义:在进行算法分析时,语句总的执行次数T(n)是关于问题规模n的函数,进而分析T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度,也就是算法的时间量度,记作:T(n)=O(f(n))。他表示随问题规模n的增长,算法执行时间的增长率和f(n)的增长率相同,称作算法的渐近时间复杂度,简称时间复杂度。其中f(n)是问题规模n的某个函数(关键需要知道执行次数==时间)
大O记法:用大写O()来体现算法时间复杂度的记法
一般情况下,随着输入规模n的增大,T(n)增长最慢的算法,也是最优的算法
三个求和算法的时间复杂度分别为O(1),O(n),O(n^2)
大O阶推导方法
-用常数1取代运行时间中的所有加法常数
-在修改后的运行次数函数中,只保留最高阶
-最高项存在且不是1,则去除与这个项相乘的常数
-得到最后的结果就是大O阶
int sum = 0,n = 100;
print("AAAA");
print("AAAA");
print("AAAA");
print("AAAA");
print("AAAA");
print("AAAA");
print("AAAA");
sum = (1+n)*/2
这段代码的大O是O(1)
线性阶
线性阶就是随着问题规模n的扩大,对应计算次数呈直线增长
int i,n=100,sum=0;
for(i=0;i<n;i++)
{
sum = sum+i;
}
循环的时间复杂度为O(n),因为循环体中的代码需要执行n次
平方阶
int i,j,n=100;
for(i=0;i<n;i++)
{
for(j=0;j<n;j++)
{
print("AAAA")
}
}//嵌套循环
外层+1内存执行100,程序要从两个循环出来,需要执行100*100次,也就是n^2,时间复杂度就是O(n^2)
int i,j,k,n=100;
for(i=0;i<n;i++)
{
for(j=0;j<n;j++)
{
for(k=0;k<n;k++)
{
print("AAAA")
}
}
}//嵌套循环
时间复杂度就是O(n^3)
int i,j,n=100;
for(i=0;i<n;i++)
{
for(j=i;j<n;j++)
{
print("AAAA")
}
}//嵌套循环
这个循环,当i=0时,内循环执行n次,当n=1时,内循环则执行n-1次......总的执行次数应该是n(n-1)/2
推导大O:保留最高项,去掉n/2。去掉与最高项相乘的常数,最终的O(n^2)
持续更新......
对数阶
int i=1,n=100;
while(i<n)
{
i= i*2;
}
每次i*2之后,就举例n更近一步,假设X个2相乘后大于或等于n,则退出循环
由2^x = n 得到 x = log(2)n ,时间复杂度为O(logn)
函数调用的时间复杂度
int i,j;
for(i=0;i<n;i++)
{
function(i);
}
void function(int count)
{
print(count);
}
函数的时间复杂度是O(1),所以整个的时间复杂度O(n)
n++;
function(n);//上一个例子中的
for(i=0;i<n;i++)
{
function(i);
}
for(i=0;i<n;i++)
{
for(j=i;j<n;j++)
{
print("%d",j);
}
}
时间复杂度:O(n^2)
常见时间复杂度
时间复杂度所耗费的时间从小到大一次排序:
O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(2^n)<O(n!)<O(n^n)
平均运行时间是期望的运行时间
最坏运行时间时一种保证。通常无特别指定,运行时间都指的最坏运行时间
算法效率的质量方法
事后统计方法
主要是通过设计好的测试程序和数据,利用计算机计时器对不同算法编制的程序的运行时间进行比较,从而确定算法的效率高低
缺陷:必须依据事先编制好的测试程序,需要花费大量的时间和精力
事前估算方法
在计算机程序编写前,依据统计方法进行估算
总结:高级语言编写的程序,运行时消耗的时间取决于一下因素
算法采用的策略,方案
编译产生代码的质量
问题的输入规模
机器执行指令的速度
分析一个算法的运行时间时,重要的是把基本操作的数量和输入模式关联起来
函数的渐进增长
给定两个函数f(n)和g(n),如果存在一个整数N,使得对于所有的n>N,f(n)总是比g(n)大,那么,我们说f(n)的增长渐进快于g(n)
测试:算法A是4n+8,算法B是2n^2+1
次数 | 算法A1(4n+8) | 算法A2(n) | 算法B1(2n^2+1) | 算法B2(n^2) |
n=1 | 12 | 1 | 3 | 1 |
n=2 | 16 | 2 | 9 | 4 |
n=3 | 20 | 3 | 19 | 9 |
n=10 | 48 | 10 | 201 | 100 |
n=100 | 408 | 100 | 20001 | 10000 |
n=100 | 4008 | 1000 | 2000001 | 1000000 |
判断一个算法的效率时,函数中的常数和其它次要项常常可以忽略,更应该关注主项的阶数。
时间复杂度
算法时间复杂度的定义:在进行算法分析时,语句总的执行次数T(n)是关于问题规模n的函数,进而分析T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度,也就是算法的时间量度,记作:T(n)=O(f(n))。他表示随问题规模n的增长,算法执行时间的增长率和f(n)的增长率相同,称作算法的渐近时间复杂度,简称时间复杂度。其中f(n)是问题规模n的某个函数(关键需要知道执行次数==时间)
大O记法:用大写O()来体现算法时间复杂度的记法
一般情况下,随着输入规模n的增大,T(n)增长最慢的算法,也是最优的算法
三个求和算法的时间复杂度分别为O(1),O(n),O(n^2)
大O阶推导方法
-用常数1取代运行时间中的所有加法常数
-在修改后的运行次数函数中,只保留最高阶
-最高项存在且不是1,则去除与这个项相乘的常数
-得到最后的结果就是大O阶
int sum = 0,n = 100;
print("AAAA");
print("AAAA");
print("AAAA");
print("AAAA");
print("AAAA");
print("AAAA");
print("AAAA");
sum = (1+n)*/2
这段代码的大O是O(1)
线性阶
线性阶就是随着问题规模n的扩大,对应计算次数呈直线增长
int i,n=100,sum=0;
for(i=0;i<n;i++)
{
sum = sum+i;
}
循环的时间复杂度为O(n),因为循环体中的代码需要执行n次
平方阶
int i,j,n=100;
for(i=0;i<n;i++)
{
for(j=0;j<n;j++)
{
print("AAAA")
}
}//嵌套循环
外层+1内存执行100,程序要从两个循环出来,需要执行100*100次,也就是n^2,时间复杂度就是O(n^2)
int i,j,k,n=100;
for(i=0;i<n;i++)
{
for(j=0;j<n;j++)
{
for(k=0;k<n;k++)
{
print("AAAA")
}
}
}//嵌套循环
时间复杂度就是O(n^3)
int i,j,n=100;
for(i=0;i<n;i++)
{
for(j=i;j<n;j++)
{
print("AAAA")
}
}//嵌套循环
这个循环,当i=0时,内循环执行n次,当n=1时,内循环则执行n-1次......总的执行次数应该是n(n-1)/2
推导大O:保留最高项,去掉n/2。去掉与最高项相乘的常数,最终的O(n^2)
持续更新......
对数阶
int i=1,n=100;
while(i<n)
{
i= i*2;
}
每次i*2之后,就举例n更近一步,假设X个2相乘后大于或等于n,则退出循环
由2^x = n 得到 x = log(2)n ,时间复杂度为O(logn)
函数调用的时间复杂度
int i,j;
for(i=0;i<n;i++)
{
function(i);
}
void function(int count)
{
print(count);
}
函数的时间复杂度是O(1),所以整个的时间复杂度O(n)
n++;
function(n);//上一个例子中的
for(i=0;i<n;i++)
{
function(i);
}
for(i=0;i<n;i++)
{
for(j=i;j<n;j++)
{
print("%d",j);
}
}
时间复杂度:O(n^2)
常见时间复杂度
例子 | 时间复杂度 | 术语 |
5201314 | O(1) | 常数阶 |
3n+4 | O(n) | 线性阶 |
3n^2+4n+5 | O(n^2) | 平方阶 |
3log(2)n+4 | O(logn) | 对数阶 |
2n+3nlog(2)n+14 | O(nlogn) | nlogn阶 |
n^3+2n^2+4n+6 | O(n^3) | 立方阶 |
2^n | O(2^n) | 指数阶 |
O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(2^n)<O(n!)<O(n^n)
平均运行时间是期望的运行时间
最坏运行时间时一种保证。通常无特别指定,运行时间都指的最坏运行时间
相关文章推荐
- 数据结构与算法学习笔记04(约瑟夫问题)
- 数据结构与算法学习笔记——队列
- 【算法学习笔记】09.数据结构基础 二叉树初步练习2
- 数据结构与算法学习笔记——堆栈及其应用(10以内简单四则计算器)
- 【学习笔记】数据结构与算法基础学习:链表
- 数据结构与算法学习笔记——算法的时间和空间复杂度
- 【算法学习笔记】10.数据结构基础 二叉树初步练习3(遍历与递归复习)
- 数据结构与算法学习笔记——动态规划(1)
- 【算法学习笔记】11.数据结构基础 二叉树初步练习4
- 学习笔记之数据结构与算法(二)
- 数据结构与算法学习笔记——链表部分实现(数组形式)
- 数据结构与算法学习笔记——quick sort
- 【算法学习笔记】07.数据结构基础 链表 初步练习
- 【算法学习笔记】09.数据结构基础 二叉树初步练习2
- 数据结构与算法学习笔记02_2(线性表)
- JAVA 数据结构与算法学习笔记一(转载)
- 【算法学习笔记】07.数据结构基础 链表 初步练习
- 数据结构与算法基础学习笔记
- 数据结构与算法-学习笔记6
- 数据结构和算法-学习笔记5