算法时间复杂度计算示例.docx
《算法时间复杂度计算示例.docx》由会员分享,可在线阅读,更多相关《算法时间复杂度计算示例.docx(7页珍藏版)》请在冰豆网上搜索。
算法时间复杂度计算示例
基本计算步骤
示例一:
(1)intnum1,num2;
(2)for(inti=0;i(3) num1+=1;
(4) for(intj=1;j<=n;j*=2){
(5) num2+=num1;
(6) }
(7)}
分析步骤
Step1.分析各条语句执行时间,得到算法(实际)复杂性
语句intnum1,num2;的频度为1;
语句i=0;的频度为1;
语句i语句j<=n;j*=2;num2+=num1;的频度为n*log2n;
算法(实际)复杂性:
T(n)=2+4n+3n*log2n
step2.计算渐进复杂性
忽略掉T(n)中的常量、低次幂和最高次幂的系数,得到
f(n)=n*log2n
{可省略:
lim(T(n)/f(n))=(2+4n+3n*log2n)/(n*log2n)
=2*(1/n)*(1/log2n)+4*(1/log2n)+3
当n趋向于无穷大,1/n趋向于0,1/log2n趋向于0,极限等于3。
}
T(n)=O(n*log2n)
简化的计算步骤
再来分析一下,可以看出,决定算法复杂度的是执行次数最多的语句,这里是num2+=num1,一般也是最内循环的语句。
并且,通常将求解极限是否为常量也省略掉?
于是,以上步骤可以简化为:
1.找到执行次数最多的语句
2.计算语句执行次数的数量级
3.用大O来表示结果
继续以上述算法为例,进行分析:
1.
执行次数最多的语句为num2+=num1
2.T(n)=n*log2n
f(n)=n*log2n
3.//lim(T(n)/f(n))=1
T(n)=O(n*log2n)
--------------------------------------------------------------------------------
一些补充说明
最坏时间复杂度
算法的时间复杂度不仅与语句频度有关,还与问题规模及输入实例中各元素的取值有关。
一般不特别说明,讨论的时间复杂度均是最坏情况下的时间复杂度。
这就保证了算法的运行时间不会比任何更长。
求数量级
即求对数值(log),默认底数为10,简单来说就是“一个数用标准科学计数法表示后,10的指数”。
例如,5000=5x103(log5000=3),数量级为3。
另外,一个未知数的数量级为其最接近的数量级,即最大可能的数量级。
复杂度与时间效率的关系:
c(c是一个常量)
|--------------------------|--------------------------|-------------|
较好 一般 较差
--------------------------------------------------------------------------------------------------
复杂情况的分析
以上都是对于单个嵌套循环的情况进行分析,但实际上还可能有其他的情况,下面将例举说明。
1.并列循环的复杂度分析
将各个嵌套循环的时间复杂度相加。
例如:
for(i=1;i<=n;i++)
x++;
for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
x++;
解:
第一个for循环
T(n)=n
f(n)=n
时间复杂度为Ο(n)
第二个for循环
T(n)=n2
f(n)=n2
时间复杂度为Ο(n2)
整个算法的时间复杂度为Ο(n+n2)=Ο(n2)。
2.函数调用的复杂度分析
例如:
publicvoidprintsum(intcount){
intsum=1;
for(inti=0;i sum+=i;
}
System.out.print(sum);
}
分析:
记住,只有可运行的语句才会增加时间复杂度,因此,上面方法里的内容除了循环之外,其余的可运行语句的复杂度都是O
(1)。
所以printsum的时间复杂度=for的O(n)+O
(1)=忽略常量=O(n)
*这里其实可以运用公式num=n*(n+1)/2,对算法进行优化,改为:
publicvoidprintsum(intcount){
intsum=1;
sum=count*(count+1)/2;
System.out.print(sum);
}
这样算法的时间复杂度将由原来的O(n)降为O
(1),大大地提高了算法的性能。
3.混合情况(多个方法调用与循环)的复杂度分析
例如:
publicvoidsuixiangMethod(intn){
printsum(n);//1.1
for(inti=0;i printsum(n);//1.2
}
for(inti=0;i for(intk=0;k
System.out.print(i,k);//1.3
}
}
suixiangMethod方法的时间复杂度需要计算方法体的各个成员的复杂度。
也就是1.1+1.2+1.3=O
(1)+O(n)+O(n2)---->忽略常数和非主要项==O(n2)
--------------------------------------------------------------------------------------------------
示例2.O
(1)
交换i和j的内容
temp=i;
i=j;
j=temp;
以上三条单个语句的频度为1,该程序段的执行时间是一个与问题规模n无关的常数。
算法的时间复杂度为常数阶,记作T(n)=O
(1)。
如果算法的执行时间不随着问题规模n的增加而增长,即使算法中有上千条语句,其执行时间也不过是一个较大的常数。
此类算法的时间复杂度是O
(1)。
示例3.O(n2)
sum=0; /*执行次数1*/
for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
sum++; /*执行次数n2*/
解:
T(n)=1+n2=O(n2)
for(i=1;i {
y=y+1; ①
for(j=0;j<=(2*n);j++)
x++; ②
}
解:
语句1的频度是n-1
语句2的频度是(n-1)*(2n+1)=2n2-n-1
T(n)=2n2-n-1+(n-1)=2n2-2
f(n)=n2
lim(T(n)/f(n))=2+2*(1/n2)=2
T(n)=O(n2).
示例4.O(n)
a=0;
b=1; ①
for(i=1;i<=n;i++)②
{
s=a+b; ③
b=a; ④
a=s; ⑤
}
解:
语句1的频度:
2,
语句2的频度:
n,
语句3的频度:
n,
语句4的频度:
n,
语句5的频度:
n,
T(n)=2+4n
f(n)=n
lim(T(n)/f(n))=2*(1/n)+4=4
T(n)=O(n).
示例5.O(log2n)
i=1; ①
while(i<=n)
i=i*2;②
解:
语句1的频度是1,
设语句2的频度是t, 则:
nt<=n; t<=log2n
考虑最坏情况,取最大值t=log2n,
T(n)=1+log2n
f(n)=log2n
lim(T(n)/f(n))=1/log2n+1=1
T(n)=O(log2n)
示例6.O(n3)
for(i=0;i {
for(j=0;j
{
for(k=0;k x=x+2;
}
}
解:
当i=m,j=k的时候,内层循环的次数为k。
当i=m时,j可以取0,1,...,m-1, 所以这里最内循环共进行了0+1+...+m-1=(m-1)m/2次。
所以,i从0取到n,则循环共进行了:
0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/2次
T(n)=n(n+1)(n-1)/2=(n3-n)/2
f(n)=n3
所以时间复杂度为O(n3)。
WelcomeTo
Download!
!
!
欢迎您的下载,资料仅供参考!