學習時間複雜度和空間複雜度

評判演算法的標準

時間複雜度(一般是最壞情況下的時間複雜度)

根據數量級，描述時間複雜度，一般用「大 o」表示，記做 o(f(n)),n為資料的規模

當 n 增大時，數量級函式增長幅度排名

1.常數函式

n =

100# 1 次
sum=(1
+ n)
*n /
2# 1 次
print
(sum
)# 1 次

無論 n 為多少，**就是 執行 3 次。這種與資料的規模大小 n 無關，執行時間恆定的演算法我們就叫它具有 o(1) 的時間複雜度。

cnt =

1while cnt < n:
cnt *=
2# o(1)

上述的**可以解釋成 cnt 乘以多少個 2 以後才能大於等於 n，我們假設個數是 x，也就是求 2^x = n，即 x = log2n，所以這個迴圈的時間複雜度就是 o(logn)。

a =

1b =
2c =
3for i in
range
(n):
for j in
range
(n):
x = i * i
y = j * j
z = i * j
for k in
range
(n):
u = a * k + b
v = c * c
d =4

可以分成 4 部分：

第 1 部分是 a，b，c 這 3 個賦值語句，執行次數也就是 3 次；

第二部分是 3n^2，因為是迴圈結構，裡面有 x，y，z 這 3 個賦值語句，每個語句執行了 n^2 次；

第 3 部分是 2n，因為裡面是 2 個賦值語句，每條語句被執行了 n 次；

第 4 部分是常數 1，只有 d 這麼 1 條賦值語句。

所以我們得到的 t(n) = 3+3n^2 +2n+1 = 3n^2+2n+4，看到指數項，我們自然的發現是 n^2 做主導，當 n 增大時，後面兩項可以忽略掉，所以這個**片段的數量級就是 o(n^2)

演算法所耗費的儲存空間，計算公式計作：s(n) = o(f(n))。其中 n 也為資料的規模，f(n) 在這裡指的是 n 所佔儲存空間的函式。

空間複雜度其實在這裡更多的是說一下這個概念，因為當今硬體的儲存量級比較大，一般不會為了稍微減少一點兒空間複雜度而大動干戈，更多的是去想怎麼優化演算法的時間複雜度。所以我們在日常寫**的時候就衍生出了用「空間換時間」的做法，並且成為常態。比如我們在求解斐波那契數列數列的時候我們可以直接用公式去遞迴求，用哪個求哪個，同樣也可以先把很多結果都算出來儲存起來，然後用到哪個直接呼叫，這就是典型的用空間換時間的做法，但是你說這兩種具體哪個好，偉大的馬克思告訴我們「具體問題具體分析」。

演算法複雜度 時間複雜度和空間複雜度

1 時間複雜度 1 時間頻度 乙個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時間多，哪個演算法花費的時間少就可以了。並且乙個演算法花費的時間與演算法中語句的執行次數成正比例，哪個演算法中語句執行次數...

演算法複雜度 時間複雜度和空間複雜度

演算法複雜度 時間複雜度和空間複雜度 關鍵字 演算法複雜度 時間複雜度 空間複雜度 1 時間複雜度 1 時間頻度 乙個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時 間多，哪個演算法花費的時間少就可以...

演算法複雜度 時間複雜度和空間複雜度

演算法的時間複雜度是指執行演算法所需要的計算工作量。n稱為問題的規模，當n不斷變化時，時間頻度t n 也會不斷變化。但有時我們想知道它變化時呈現什麼規律。為此，我們引入時間複雜度概念。一般情況下，演算法中基本操作重複執行的次數是問題規模n的某個函式，用t n 表示，若有某個輔助函式f n 存在乙個正...