基本的計算步驟
時間複雜度的定義
一般情況下,算法中基本操作重複執行的次數是問題規模n的某個函數,用T(n)表示,若有某個輔助函數f(n)【隻用數量級無系數】,使得當n趨近于無窮大時,T(n)/f(n)的極限值為不等于零的常數,則稱f(n)是T(n)的同數量級函數。記作T(n)=O(f(n)),稱O(f(n))為算法的漸進時間複雜度(O是數量級的符号> ),簡稱時間複雜度。
根據定義,可以歸納出基本的計算步驟
1. 計算出基本操作的執行次數T(n)
基本操作即算法中的每條語句(以;号作為分割),語句的執行次數也叫做語句的頻度。
在做算法分析時,一般預設為考慮最壞的情況。
2. 計算出T(n)的數量級
求T(n)的數量級,隻要将T(n)進行如下一些操作:
忽略常量、低次幂和最高次幂的系數 令f(n)=T(n)的數量級。
3. 用大O來表示時間複雜度
當n趨近于無窮大時,如果lim(T(n)/f(n))的值為不等于0的常數,則稱f(n)是T(n)的同數量級函數。記作T(n)=O(f(n))。
一個示例:
int num1, num2;
for(int i=; i<n; i++){
num1 += ;
for(int j=; j<=n; j*=){
num2 += num1;
}
}
/*
分析:
.
語句int num1, num2;的頻度為;
語句i=;的頻度為;
語句i<n; i++; num1+=; j=; 的頻度為n;
語句j<=n; j*=; num2+=num1;的頻度為n*log2n;
T(n) = + n + n*log2n
.
忽略掉T(n)中的常量、低次幂和最高次幂的系數
f(n) = n*log2n
.
lim(T(n)/f(n)) = (+n+n*log2n) / (n*log2n)
= *(/n)*(/log2n) + *(/log2n) +
當n趨向于無窮大,/n趨向于,/log2n趨向于
是以極限等于。
T(n) = O(n*log2n)
*/
簡化的計算步驟
再來分析一下,可以看出,決定算法複雜度的是執行次數最多的語句,這裡是
num2 += num1
,一般也是最内循環的語句。
并且,通常将求解極限是否為常量也省略掉?
于是,以上步驟可以簡化為:
1. 找到執行次數最多的語句
2. 計算語句執行次數的數量級
3. 用大O來表示結果
繼續以上述算法為例,進行分析:
1.
執行次數最多的語句為num2 += num1
2.
T(n) = n*log2n
f(n) = n*log2n
3.
// lim(T(n)/f(n)) = 1
T(n) = O(n*log2n)
一些補充說明【重要】
最壞時間複雜度
算法的時間複雜度不僅與語句頻度有關,還與問題規模及輸入執行個體中各元素的取值有關。一般不特别說明,讨論的時間複雜度均是最壞情況下的時間複雜度。這就保證了算法的運作時間不會比任何更長。
求數量級
即求對數值(log),預設底數為10,簡單來說就是“一個數用标準科學計數法表示後,10的指數”。例如,5000=5x10 3 (log5000=3) ,數量級為3。另外,一個未知數的數量級為其最接近的數量級,即最大可能的數量級。
求極限的技巧
要利用好1/n。當n趨于無窮大時,1/n趨向于0
一些規則(引自:時間複雜度計算 )
1) 加法規則
T(n,m) = T1(n) + T2(n) = O (max ( f(n), g(m) )
2) 乘法規則
T(n,m) = T1(n) * T2(m) = O (f(n) * g(m))
3) 一個特例(問題規模為常量的時間複雜度)
在大O表示法裡面有一個特例,如果T1(n) = O(c), c是一個與n無關的任意常數,T2(n) = O ( f(n) ) 則有
T(n) = T1(n) * T2(n) = O ( c*f(n) ) = O( f(n) )
也就是說,在大O表示法中,任何非0正常數都屬于同一數量級,記為O(1)。
4) 一個經驗規則
複雜度與時間效率的關系:
c < log2n < n < n*log2n < n2 < n3 < 2n < 3n < n! (c是一個常量)
對比:
> 其中c是一個常量
> 如果一個算法的複雜度為c 、 log2n 、n 、 n*log2n,那麼這個算法時間效率比較高
> 如果是 2n , 3n ,n!,那麼稍微大一些的n就會令這個算法不能動了
> 居于中間的幾個則差強人意。
複雜情況的分析
以上都是對于單個嵌套循環的情況進行分析,但實際上還可能有其他的情況,下面将例舉說明。
1.并列循環的複雜度分析
将各個嵌套循環的時間複雜度相加。
例如:
for (i=; i<=n; i++)
x++;
for (i=; i<=n; i++)
for (j=; j<=n; j++)
x++;
/*
解:
第一個for循環
T(n) = n
f(n) = n
時間複雜度為Ο(n)
第二個for循環
T(n) = n2
f(n) = n2
時間複雜度為Ο(n2)
整個算法的時間複雜度為Ο(n+n2) = Ο(n2)。
*/
2.函數調用的複雜度分析
例如:
public void printsum(int count){
int sum = ;
for(int i= ; i<n; i++){
sum += i;
}
System.out.print(sum);
}
/*
分析:
記住,隻有可運作的語句才會增加時間複雜度,是以,上面方法裡的内容除了循環之外,其餘的可運作語句的複雜度都是O(1)。
是以printsum的時間複雜度 = for的O(n)+O(1) = 忽略常量 = O(n)
*這裡其實可以運用公式 num = n*(n+1)/2,對算法進行優化,改為:*/
public void printsum(int count){
int sum = ;
sum = count * (count+)/;
System.out.print(sum);
}
//這樣算法的時間複雜度将由原來的O(n)降為O(1),大大地提高了算法的性能。
3.混合情況(多個方法調用與循環)的複雜度分析
例如:
public void suixiangMethod(int n){
printsum(n);//1.1
for(int i= ; i<n; i++){
printsum(n); //1.2
}
for(int i= ; i<n; i++){
for(int k=; k
System.out.print(i,k); //1.3
}
}
//suixiangMethod 方法的時間複雜度需要計算方法體的各個成員的複雜度。
//也就是1.1+1.2+1.3 = O(1)+O(n)+O(n2) ----> 忽略常數 和 非主要項 == O(n2)
更多的例子
O(1)
交換i和j的内容
temp=i;
i=j;
j=temp;
/*
以上三條單個語句的頻度為1,該程式段的執行時間是一個與問題規模n無關的常數。算法的時間複雜度為常數階,記作T(n)=O(1)。如果算法的執行時間不随着問題規模n的增加而增長,即使算法中有上千條語句,其執行時間也不過是一個較大的常數。此類算法的時間複雜度是O(1)。
*/
O(n2)
sum=; /* 執行次數1 */
for(i=;i<=n;i++)
for(j=;j<=n;j++)
sum++; /* 執行次數n2 */
//解:T(n) = 1 + n2 = O(n2)
for (i=;i<n;i++)
{
y=y+; ①
for (j=;j<=(*n);j++)
x++; ②
}
/*
解: 語句1的頻度是n-1
語句2的頻度是(n-1)*(2n+1) = 2n2-n-1
T(n) = 2n2-n-1+(n-1) = 2n2-2
f(n) = n2
lim(T(n)/f(n)) = 2 + 2*(1/n2) = 2
T(n) = O(n2).
*/
O(n)
a=0;
b=1; ①
for (i=1;i<=n;i++) ②
{
s=a+b; ③
b=a; ④
a=s; ⑤
}
/*
解: 語句1的頻度:2,
語句2的頻度:n,
語句3的頻度:n,
語句4的頻度:n,
語句5的頻度:n,
T(n) = 2+4n
f(n) = n
lim(T(n)/f(n)) = 2*(1/n) + 4 = 4
T(n) = O(n).
*/
O(log2n)
i=1; ①
while (i<=n)
i=i*2; ②
/*
解: 語句1的頻度是1,
設語句2的頻度是t, 則:nt<=n; t<=log2n
考慮最壞情況,取最大值t=log2n,
T(n) = 1 + log2n
f(n) = log2n
lim(T(n)/f(n)) = 1/log2n + 1 = 1
T(n) = O(log2n)
*/
O(n3)
for(i=;i<n;i++)
{
for(j=;j<i;j++)
{
for(k=;k<j;k++)
x=x+;
}
/*
解:當i=m, j=k的時候,内層循環的次數為k當i=m時, j 可以取 ,,...,m- , 是以這裡最内循環共進行了++...+m-=(m-)m/次是以,i從取到n, 則循環共進行了: +(-)*/+...+(n-)n/=n(n+)(n-)/次
T(n) = n(n+)(n-)/ = (n3-n)/
f(n) = n3
是以時間複雜度為O(n3)。
*/
個人感覺這個還是挺适合了解時間複雜度計算的标準,便于了解。原文轉自:算法時間複雜度的計算【整理】