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:

  1. 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
  2. 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:

  1. 只关注循环执行次数最多的一段代码。
  2. 加法法则:总复杂度等于量级最大的那段代码的复杂度。(
  3. 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:

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)
  • 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

  1. 《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 ...

  2. 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 ...

  3. 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 > ...

  4. 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 ...

  5. 《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, ...

  6. 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 ...

  7. 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 ...

  8. 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 ...

  9. 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

  1. 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 ...

  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 ...

  3. 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 ...

  4. 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. ...

  5. 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 ...

  6. 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 ...

  7. 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 ...

  8. 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 ...

  9. 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 ...

  10. 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 ...