【数据结构&算法】02-复杂度分析之执行效率和资源消耗
前言
本笔记主要记录如何分析、统计算法的执行效率和资源消耗。
必须学会分析复杂度分析。
李柱明博客:https://www.cnblogs.com/lizhuming/p/15487271.html
复杂度
复杂度分为:
时间复杂度。关联到执行效率。
- 时间复杂度的全称是 渐进时间复杂度,表示算法的执行时间与数据规模之间的增长关系。
空间复杂度。关联到资源消耗。
- 空间复杂度全称就是渐进空间复杂度,表示算法的存储空间与数据规模之间的增长关系。
分析方法
大 O 复杂度表示法
先说结论:
- 大 O 复杂度表示方法只是表示一种变化趋势。
- 忽略掉公式中的常量、低阶、系数,只需要记录一个最大阶的量级就可以了。
- 多、加法和乘法规则。
例子-评估累加和的各种算法执行效率
算法 1(for 循环):
int cal(int n)
{
int sum = 0;
int i = 1;
for (; i <= n; ++i)
{
sum = sum + i;
}
return sum;
}
从 CPU 角度看:
- 重复类似的操作:读数据-运算-写数据。
- 假设每行代码执行事件都为 unit_time。(粗略估计)
- 代码中执行的时间为:
T(n) = (2+3n)*unit_time
。
结论:所有代码的执行时间 T(n) 与每行代码的执行次数成正比。
算法 2(嵌套 for 循环):
int cal(int n)
{
int sum = 0;
int i = 1;
int j = 1;
for (; i <= n; ++i)
{
j = 1;
for (; j <= n; ++j)
{
sum = sum + i * j;
}
}
}
- 代码中执行时间为:
T(n) = (3+3n+3n²)*unit_time=3(n²+n+1)*unit_time
。 - 所有代码的执行时间 T(n) 与每行代码执行的次数成正比。
大 O 表示
T(n) = O(f(n))
上面算法 1 中的大 O 表示法为:
T(n) = O(2+3n)
。上面算法 2 中的大 O 表示法为:
T(n) = O(3(n²+n+1))
。大 O 表示法不是表示代码真正的执行时间,而是表示代码执行时间随数据规模增长的变化趋势。
- 即是时间复杂度。
当 n 很大时,公式中的低阶、常量、系数三部分并不左右增长趋势,所以都可以忽略。
只需要记录一个最大量级就可以了,如果用大 O 表示法表示刚讲的那两段代码的时间复杂度,可记为:
T(n) = O(n)
;T(n) = O(n²)
。
时间复杂度分析
当了解了大 O 表示法后,就可以用来分析时间复杂度了。
三个实用的方法:
- 只关注循环执行次数最多的一段代码。(多)
- 加法法则:总复杂度等于量级最大的那段代码的复杂度。(大)
- 乘法法则:嵌套代码的复杂度等于嵌套内外代码复杂度的乘积。(嵌套:积)
关注执行最多的一段代码
以上面算法 1 为例:
前面两行代码为常量级别,忽略。
3n
中的系数也可忽略。结论:时间复杂度为
O(n)
算法 2 的时间复杂度就是 O(n²)
加法规则
加法法则:总复杂度等于量级最大的那段代码的复杂度。
- 公式:
T(n)=T1(n)+T2(n)=max(O(f(n)), O(g(n))) =O(max(f(n), g(n)))
。
若上面算法 1 和算法 2 出现在同一个代码段中是,其时间复杂度之和为 O(n)+O(n²)
。
总的时间复杂度就是取最大量级: O(n²)
。
乘法规则
乘法法则:嵌套代码的复杂度等于嵌套内外代码复杂度的乘积。
- 公式:
T1(n)=O(f(n))
,T2(n)=O(g(n))
;那么T(n)=T1(n)T2(n)=O(f(n))O(g(n))=O(f(n)*g(n))
。
例子:
- 时间复杂度:
T(n) = T1(n) * T2(n) = O(n*n) = O(n²)
。
int func(int n)
{
int sum = 0;
int i = 1;
for (; i < n; ++i)
{
sum = sum + i;
}
return sum;
}
int cal(int n)
{
int ret = 0;
int i = 1;
for (; i < n; ++i)
{
ret = ret + func(i);
}
}
常见时间复杂度
常见时间复杂度量级如图:
这些复杂度量级可分为:
多项式量级:
- 常量阶:
O(1)
- 对数阶:
O(logn)
- 线性阶:
O(n)
- 线性对数阶:
O(nlogn)
- k 次方阶:
O(nk)
(注意:这里的 k 为 k 次方)
- 常量阶:
非多项式量级
- O(2n);(注意:这里的 n 为 n 次方)
O(n!)
。- 说明:当数据规模 n 越来越大时,非多项式量级算法的执行时间会急剧增加,求解问题的执行时间会无限增长。所以,非多项式时间复杂度的算法其实是非常低效的算法。
常量阶 O(1)
O(1) 只是常量级时间复杂度的一种表示方法,并不是指只执行了一行代码。
大牛总结:(常量级记作 O(1)
)
- 只要代码的执行时间不随 n 的增大而增长,这样代码的时间复杂度我们都记作
O(1)
。 - 或者说, 一般情况下,只要算法中不存在循环语句、递归语句,即使有成千上万行的代码,其时间复杂度也是
Ο(1)
。
对数阶 O(logn)、O(nlogn)
i=1;
while (i <= n)
{
i = i * 2;
}
时间复杂度分析过程:
多:第 4 行代码执行次数最多。那就算出第四行执行的次数。
得 x = log2n 即时间复杂度为 O(log2n)。也就是
O(logn)
。不管底数为何值,都把这类对数阶的时间复杂度记为
O(logn)
。理由:- log3n = log32 * log2n。对应时间复杂度为:O(log3n) = O(C * log2n)。
- 按前面学的系数可忽略:O(log3n) = O(log2n)。
- 既然不同底数都可以转化,那就直接使用
O(logn)
来标记对数阶。
而对于 O(nlogn)
就是一段时间复杂度为 O(logn)
的代码段被执行了 n 次。
多参数阶 O(m+n)、O(m*n)
分析代码的时间复杂度由两个以上数据的规模来决定。
以下以两个数据规模决定为基础。
int cal(int m, int n)
{
int sum_1 = 0;
int i = 1;
for (; i < m; ++i)
{
sum_1 = sum_1 + i;
}
int sum_2 = 0;
int j = 1;
for (; j < n; ++j)
{
sum_2 = sum_2 + j;
}
return sum_1 + sum_2;
}
- 其时间复杂度为:
O(m+n)
- 对于加法规则(变了):T1(m) + T2(n) = O(f(m) + g(n))。
- 对于乘法规则(不变):T1(m)*T2(n) = O(f(m) * f(n))。
空间复杂度分析
空间复杂度。关联到资源消耗。
- 空间复杂度全称就是渐进空间复杂度,表示算法的存储空间与数据规模之间的增长关系。
使用大 O 表示法,和时间复杂度一样,只是分析的数据规模 n 由时间度量改为空间度量。
小结
复杂度也叫渐进复杂度,包括时间复杂度和空间复杂度,用来分析算法执行效率与数据规模之间的增长关系。
通常越高阶复杂度的算法,执行效率越低。
常见的复杂度并不多,从低阶到高阶有:O(1)、O(logn)、O(n)、O(nlogn)、O(n2 )。
【数据结构&算法】02-复杂度分析之执行效率和资源消耗的更多相关文章
- 《数据结构与算法之美》 <01>复杂度分析(上):如何分析、统计算法的执行效率和资源消耗?
我们都知道,数据结构和算法本身解决的是“快”和“省”的问题,即如何让代码运行得更快,如何让代码更省存储空间.所以,执行效率是算法一个非常重要的考量指标. 那如何来衡量你编写的算法代码的执行效率呢?这里 ...
- Chapter3 复杂度分析(上):如何分析,统计算法的执行效率和资源消耗
数据结构解决的问题:“快” + “省”,即为时间,空间复杂度分析 1:为什么需要复杂度分析? 因为通过统计手段分析的结果受到两个因素的影响,一:测试结果非常依赖测试环境,二:测试结果受数据规模的影响很 ...
- 重拾算法之复杂度分析(大O表示法)
.katex { display: block; text-align: center; white-space: nowrap; } .katex-display > .katex > ...
- 三行代码实现.NET MVC统计显示页面的执行时间 超简单的实现方法 分析页面执行效率
三行代码实现.NET MVC统计显示页面的执行时间 超简单的实现方法 分析页面执行效率 博客页脚处添加了页面执行时间统计显示,如下图所示,也可以直接查看网页页脚处. 实现方法非常简单,只需三行代 ...
- 《数据结构与算法之美》 <02>复杂度分析(下):浅析最好、最坏、平均、均摊时间复杂度?
上一节,我们讲了复杂度的大 O 表示法和几个分析技巧,还举了一些常见复杂度分析的例子,比如 O(1).O(logn).O(n).O(nlogn) 复杂度分析.掌握了这些内容,对于复杂度分析这个知识点, ...
- 数据结构与算法 java描述 第一章 算法及其复杂度
目录 数据结构与算法 java描述 笔记 第一章 算法及其复杂度 算法的定义 算法性能的分析与评价 问题规模.运行时间及时间复杂度 渐进复杂度 大 O 记号 大Ω记号 Θ记号 空间复杂度 算法复杂度及 ...
- 八大排序算法详解(动图演示 思路分析 实例代码java 复杂度分析 适用场景)
一.分类 1.内部排序和外部排序 内部排序:待排序记录存放在计算机随机存储器中(说简单点,就是内存)进行的排序过程. 外部排序:待排序记录的数量很大,以致于内存不能一次容纳全部记录,所以在排序过程中需 ...
- 八大排序算法——希尔(shell)排序(动图演示 思路分析 实例代码java 复杂度分析)
一.动图演示 二.思路分析 希尔排序是把记录按下标的一定增量分组,对每组使用直接插入排序算法排序:随着增量逐渐减少,每组包含的关键词越来越多,当增量减至1时,整个文件恰被分成一组,算法便终止. 简单插 ...
- 八大排序算法——插入排序(动图演示 思路分析 实例代码java 复杂度分析)
一.动图演示 二.思路分析 例如从小到大排序: 1. 从第二位开始遍历, 2. 当前数(第一趟是第二位数)与前面的数依次比较,如果前面的数大于当前数,则将这个数放在当前数的位置上,当前数的下标-1 ...
随机推荐
- php--laravel --debug--mac
1>安装debug 一.下载xdebug文件 1.将phpinfo();的信息全部输入网址中的框,得到适配的xdebug版本: 网址:http://xdebug.org/wizard.php 2 ...
- Python - Context Manager 上下文管理器
什么是上下文管理器 官方解释... 上下文管理器是一个对象 它定义了在执行 with 语句时要建立的运行时上下文 上下文管理器处理进入和退出所需的运行时上下文以执行代码块 上下文管理器通常使用 wit ...
- P3235-[HNOI2014]江南乐【整除分块,SG函数】
正题 题目链接:https://www.luogu.com.cn/problem/P3235 题目大意 \(T\)组游戏,固定给出\(F\).每组游戏有\(n\)个石头,每次操作的人可以选择一个数量不 ...
- Python3入门系列之-----列表
列表 列是Python中最基本的数据结构.序列中的每个元素都分配一个数字 - 它的位置,或索引,第一个索引是0,第二个索引是1,依此类推. Python有6个序列的内置类型,但最常见的是列表和元组. ...
- 如何借助 JuiceFS 为 AI 模型训练提速 7 倍
背景 海量且优质的数据集是一个好的 AI 模型的基石之一,如何存储.管理这些数据集,以及在模型训练时提升 I/O 效率一直都是 AI 平台工程师和算法科学家特别关注的事情.不论是单机训练还是分布式训练 ...
- ORA-4031诊断分析
1.Environment11.2.0.4 RAC 2.Symptomsrac的一节点alert日志一直刷ORA-4031报错,提示shared pool不足,二节点并没有此报错 Sat Oct 09 ...
- mysql中一半会选择什么样的字段为索引?(含索引创建删除查看公式)
一.数据量庞大的数据做索引 二.该字段经常出现在where的后面,以条件形式存在,经常被用户搜索的字段 三.很少被增删改的字段,因为增删改后,索引会重新排序 索引的创建 create index 索引 ...
- 题解 Yuno loves sqrt technology II
题目传送门 题目大意 有\(n\)个数,\(m\)个查询,每次查询一个区间内的逆序对个数. \(n,m\le 10^5\) 思路 其实是为了锻炼二次离线才做这道题的. 不难想到可以有一个\(\Thet ...
- allure报告中allure.title 如何去掉后方的参数化显示
1.解决方法如下 listener.py 文件位置:Lib\site-packages\allure_pytest\listener.py (第三方包所在的LIb目录) 将下图中红色部分test_re ...
- 网络通信IO的演变过程(一)(一个门外汉的理解)
以前从来不懂IO的底层,只知道一个大概,就是输入输出的管道怼到一起,然后就可以传输数据了. 最近看了周志垒老师的公开课后,醍醐灌顶. 所以做一个简单的记录. 0 计算机组成原理相关 0.1. 计算机的 ...