何为算法之时间复杂度

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

  1. 先将每行代码的执行次数写下来,然后相加。
  2. 将算式中的所有常数项去掉。
  3. 保留算式中的最高阶项。
  4. 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 复制代码
# 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 复制代码
# 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 复制代码
# 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。

相关推荐
wsxqaz6 分钟前
浏览器原生控件上传PDF导致hash值不同
算法·pdf·哈希算法
0wioiw08 分钟前
Python基础(吃洋葱小游戏)
开发语言·python·pygame
蓝婷儿12 分钟前
Python 数据分析与可视化 Day 14 - 建模复盘 + 多模型评估对比(逻辑回归 vs 决策树)
python·数据分析·逻辑回归
栗子~~15 分钟前
Python实战- Milvus 向量库 使用相关方法demo
开发语言·python·milvus
狐凄17 分钟前
Python实例题:基于 Flask 的在线聊天系统
开发语言·python
狐凄18 分钟前
Python实例题:基于 Flask 的任务管理系统
开发语言·python
NAGNIP23 分钟前
Transformer注意力机制——MHA&MQA&GQA
人工智能·算法
摘星编程26 分钟前
多模态AI Agent技术栈解析:视觉-语言-决策融合的算法原理与实践
人工智能·算法·多模态ai·视觉语言融合·ai决策算法
NAGNIP28 分钟前
一文搞懂KV-Cache
人工智能·算法
JavaEdge在掘金28 分钟前
cursor 1.2发布!Agent规划、更好上下文支持 & 更快的 Tab 补全!
python