时间复杂度
同空间复杂度相比,时间复杂度的分析要复杂一些。时间复杂度是指运行算法所需要的计算工作量,记作:
T ( n ) = O ( f ( n ) ) T(n)=O(f(n)) T(n)=O(f(n))
简单理解,时间复杂度就是执行语句的次数。也就是说,时间复杂度高则运行时间长,时间复杂度低则运行时间短。常见的时间复杂度有 O ( 1 ) 、 O ( n ) 、 O ( n 2 ) 、 O ( 2 n ) 和 O ( l o g 2 n ) O(1)、O(n)、O(n^2)、O(2^n)和O(log_2n) O(1)、O(n)、O(n2)、O(2n)和O(log2n)等如下图所示
我们还能据此对算法进行分类。T(n)=O(1)类算法称作"常数时间算法",T(n)=O(n)类算法称作"线性时间算法",T(n)= O ( l o g 2 n ) O(log_2n) O(log2n)类算法称作"对数时间算法"等。除此之外,还有幂对数时间算法、次线性时间算法和线性对数时间算法等。这些就交给大家自己去想去讨论,正好检验一下自己是否已经掌握。
讲到这里还没有讲如何计算T(n)。不知道大家是否还记得空间复杂度的判别方法,如果不记得也没关系,毕竟T(n)和S(n)的计算完全不一样。
时间复杂度的计算方法
- 先将每行代码的执行次数写下来,然后相加。
- 将算式中的所有常数项去掉。
- 保留算式中的最高阶项。
- 去掉最高阶项的系数。
解读时间复杂度的计算方法
是不是没有看懂?笔者刚开始接触时间复杂度的时候也对其算法百思不解一脸懵逼,又是列式子又是一堆专业名词,差点被"绕晕"。不过,人生在勤,不索何获?在经过大量的练习和实际应用后,笔者终于参透并总结出了上面的时间复杂度的计算方法。和空间复杂度一样,用以下Python 代码来表示读者就能看明白了。
python
# 时间复杂度为1
a = 'Python'
# 时间复杂度为1
a = '1'
b = 'love'
c = 'you'
# 时间复杂度为n
for i in range(n):
print(i)
# 时间复杂度为n^2
for i in range(n):
for j in range(i):
print(j)
# 时间复杂度为n^2
for i in range(n):
for j in range(i):
print((j))
#时间复杂度为n^3
for i in range(n):
for j in range(n):
for k in range(n):
print(k)
注意
时间复杂度和空间复杂度一样,都只是算法运行时消耗时间的一个量度,而绝对
执行时间是无法计算的。
时间复杂度为 l o g n log_n logn
是否觉得很简单 易如反掌?那就让我们继续学习下一个时间复杂度吧:
python
# 时间复杂度为(log n)
n = 64
while n >1 :
n = n // 2 #取商
print(n
运行结果
是否又觉得满腹疑团、如坠云雾?看,这段代码有一个 while 循环,而且每循环一次,n就要除以2然后取整,直到n不大于1。这个时候就应该想到log函数了,因这段代码和log函数的定义几乎一样。
因为
2 6 = 64 2^6=64 26=64
所以
l o g 2 64 = l o g 2 2 6 = 6 log_2 64 = log_2 2^6=6 log264=log226=6
由此可见,答案就是 O ( l o g 2 n ) , 即 O ( l o g n ) 。 O(log_2 n),即O(logn)。 O(log2n),即O(logn)。
由此我们可以得出结论:循环减半算法的时间复杂度为 O ( l o g 2 n ) O(log_2 n) O(log2n)
如果你实在理解不了这一段,那就记住结论吧。让我们继续看下一个时间复杂度 O ( 2 n ) O(2^n) O(2n)的代码:
python
# 时间复杂度为2^n
def fib0nacci(n):
# 当n为负数时
if n<0:
return 'invalid n' # 返回'invalid n'的错误提示
# 当n==0 和 n==1时
elif n<2:
return n #返回 n本身
return fib0nacci(n-1) +fib0nacci(n-2) #返回前两项的和
这是一个超级经典的算法,叫斐波那契数列,后面的文章还会讲到它,这里只是先让大家有个印象。由于上述代码使用了递归策略,所以它的时间复杂度是高度为(n-1)的不完全二叉树的节点数,近似为 O ( n 2 ) O(n^2) O(n2)。
注意
T(n) 是最坏情况复杂度。还有一种平均情况复杂度,一般在指定情况下使用。为了避免混淆,这里也不讲解,如果有兴趣可自行学习。
总结
了解了空间复杂度和时间复杂度之后,我们便可以据此对一个算法进行衡量。然而,所谓鱼和熊掌不可兼得,空间复杂度和时间复杂度也时常处在此消彼长的状况,这时候就需要我们选取一个平衡点,以达到最佳的效率。