1 复杂度定义
空间复杂度S(n)—— 程序在执行时占用存储单元的长度。通常和输入数据的规模有关。S(n)过高可能导致内存超限,造成程序非正常中断。
时间复杂度 T(n) —— 程序在执行时耗费时间的长度。通常和输入数据的规模有关。
2 复杂度分析
下图所示为不同复杂度随着n的逐渐增大所耗费的时间复杂度。
Fig1 不同时间复杂度曲线
Fig1的复杂度分析如下:
- 在算法设计时,我们应当尽可能使得复杂度最小。
- 当算法复杂度为O(log n^2)时,应想办法变为O(n log n)。
- 最高效的是O(log n)。
Notices:
- 两段代码相加的复杂度为分别求复杂度,取两者中的较大者。
- 两段代码乘积的复杂度为分别求复杂度,取两者的乘积。
- for循环的时间复杂度为循环次数乘以循环体代码的复杂度。
- if-else复杂度,取分支条件中的较大者。
3 应用实例
最大子列和问题。
- 方法1:双重循环,算法的时间复杂度为O(N*N)。
int MaxSubseqSum2( int A[], int N )
{ int ThisSum, MaxSum = 0;
int i, j;
for( i = 0; i < N; i++ ) { /* i是子列左端位置 */
ThisSum = 0; /* ThisSum是从A[i]到A[j]的子列和 */
for( j = i; j < N; j++ ) { /* j是子列右端位置 */
ThisSum += A[j];
if( ThisSum > MaxSum ) /* 如果刚得到的这个子列和更大 */
MaxSum = ThisSum; /* 则更新结果 */
}
}
return MaxSum;
}
- 方法2:在线处理,算法的时间复杂度为O(N)。
int MaxSubseqSum4( int A[], int N )
{ int ThisSum, MaxSum;
int i;
ThisSum = MaxSum = 0;
for( i = 0; i < N; i++ ) {
ThisSum += A[i]; /* 向右累加 */
if( ThisSum > MaxSum )
MaxSum = ThisSum; /* 发现更大和则更新当前结果 */
else if( ThisSum < 0 ) /* 如果当前子列和为负 */
ThisSum = 0; /* 则不可能使后面的部分和增大,抛弃之 */
}
return MaxSum
}