文章目录
- 一、引言
- 1、想象数据结构与算法的奇妙世界
- 2、算法复杂度的轻松解读
- 3、数据结构与算法的温馨寄语
- 二、轻松掌握复杂度基础
- 1、时间复杂度:算法速度的衡量尺
- 2、空间复杂度:算法占地的衡量尺
- 3、常见的复杂度
- 三、复杂度的计算
- 1、时间复杂度计算
- 2、空间复杂度计算
- 3、最好、最坏、平均复杂度
- 四、C语言中的复杂度分析实例
- 1、求和函数
- 2、冒泡排序
- 3、矩阵乘法
- 4、递归计算斐波拉契数
- 五、扩展阅读
一、引言
1、想象数据结构与算法的奇妙世界
想象一下,数据结构就像书架,让数据变得有序。算法则是聪明的管理员,能快速找到你需要的数据。简单来说,算法就是帮我们把数据变成有用信息的聪明方法。
2、算法复杂度的轻松解读
算法复杂度就像问管理员找书快不快,需要多大地方放书。时间复杂度是找书速度,空间复杂度是书架大小。在编程中,这就像优化工作流程,让代码更快,占用资源更少。
3、数据结构与算法的温馨寄语
无论你是编程新手还是资深程序员,数据结构和算法都是你的好朋友。它们是计算机科学的基础,也是你写出高效、可靠代码的秘密武器。掌握它们,就像给编程加速,让代码更流畅、更高效。它们也是你展现才华的舞台,在笔试和面试中证明你的能力。
二、轻松掌握复杂度基础
1、时间复杂度:算法速度的衡量尺
时间复杂度,就是估算算法跑多快的一个工具。它不看具体时间,而是看算法里基本操作做了多少次,和数据量有啥关系。就像看厨师做菜,不看具体几分钟,而是看食材多少来估时间。
2、空间复杂度:算法占地的衡量尺
空间复杂度,是看算法运行时占多少地方的一个工具。它不算具体的bytes,而是算用了多少变量,就像看房间里放了多少箱子。主要关注的是算法临时申请的空间,编译时定好的栈空间不算。
3、常见的复杂度
- 常数复杂度 O(1):算法执行时间恒定,不受数据量大小影响,效率极高。
- 对数复杂度 O(logN):随着数据量翻倍,算法执行时间仅轻微增加,效率下降不明显。
- 线性复杂度 O(N):算法执行时间与数据量成正比,数据量增大时,效率线性下降。
- 线性对数复杂度 O(NlogN):效率略低于线性复杂度,但优于平方复杂度。数据量翻倍时,效率下降速度介于线性与平方之间。
- 平方复杂度 O(N^2):算法执行时间随数据量平方增长,数据量翻倍时,效率显著下降。
- 立方复杂度 O(N^3):比平方复杂度更慢,数据量翻倍时,效率下降速度更快。
- 指数复杂度 O(2^N):数据量增加时,算法执行时间呈爆炸性增长,数据量翻倍导致效率急剧下降,对于大数据集几乎不可行。
三、复杂度的计算
1、时间复杂度计算
时间复杂度就是计算算法完成任务时,基本操作执行的次数如何随数据量变化。比如,遍历一个列表的算法,其基本操作(如访问元素)执行次数与列表长度N成正比,所以时间复杂度是O(N)。
2、空间复杂度计算
空间复杂度衡量的是算法运行时需要占用的存储空间大小。简单说,就是算法运行时 “用了多少地方” 。比如,使用一个固定大小的变量,空间复杂度为O(1);若使用了一个与数据量N相等的数组,则空间复杂度为O(N)。
3、最好、最坏、平均复杂度
- 最好复杂度:算法在 “最顺利” 时的运行时间。
- 最坏复杂度:算法在 “最糟糕” 时的运行时间。
- 平均复杂度:算法在不同输入下运行时间的 “平均值” 。
四、C语言中的复杂度分析实例
1、求和函数
int sum(int arr[], int n)
{int res = 0;for (int i = 0; i < n; i++) {res += arr[i];}return res;
}
时间复杂度O(N),因为循环n次,每次循环执行一次加法操作
空间复杂度O(1),因为额外的变量只有res和i
2、冒泡排序
void bubbleSort(int arr[], int n)
{for (int i = 0; i < n-1; i++) {for (int j = 0; j < n-i-1; j++) {if (arr[j] > arr[j+1]) {//交换arr[j]和arr[j+1]int temp = arr[j];arr[j] = arr[j+1];arr[j+1] = temp;}}}
}
时间复杂度O(N^2),因为有两层嵌套的循环,每层循环最多执行n次
空间复杂度O(1),因为额外的变量只有i, j和temp
3、矩阵乘法
void matrixMultiplication(int A[][2], int B[][2], int C[][2], int n)
{for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {C[i][j] = 0;for (int k = 0; k < n; k++) {C[i][j] += A[i][k] * B[k][j];}}}
}
时间复杂度O(N^3),因为有三层嵌套的循环,每层循环最多执行n次
空间复杂度O(N^2),因为需要存储结果矩阵C
4、递归计算斐波拉契数
long long Fib(size_t N)
{if(N < 3)return 1;return Fib(N-1) + Fib(N-2);
}
时间复杂度O(2^N),画递归栈帧的二叉树图理解
空间复杂度O(N),画递归栈帧的二叉树图理解
注意:
- 空间是函数进入开辟,函数退出销毁的(所以不是开辟过多少空间,空间复杂度就是多少)
- 时间是连续的,函数栈帧的创建和销毁都需要消耗时间(因为这里返回两个函数的返回相加,所以是二叉树)
五、扩展阅读
- 学好算法对一个程序员来说是必须的吗?如果是,至少应该学到哪种程度?
- 学数据结构和算法一定要多刷题,多练习
- 维基百科 - 数据结构
- 维基百科 - 算法