精华内容
下载资源
问答
  •  算法中执行次数最多那条语句就是基本语句,通常是最内层循环的循环体。  ⑵ 计算基本语句的执行次数的数量级;  只需保留f(n)中最高次幂正确即可,可以忽略所有低次幂和最高次幂系数。  ⑶ 用大...
       ⑴ 找出算法中的基本语句;
     
      算法中执行次数最多的那条语句就是基本语句,通常是最内层循环的循环体。
     
      ⑵ 计算基本语句的执行次数的数量级;
     
      只需保留f(n)中的最高次幂正确即可,可以忽略所有低次幂和最高次幂的系数。
     
      ⑶ 用大Ο记号表示算法的时间性能。
     
      将基本语句执行次数的数量级放入大Ο记号中。
     
      如果算法中包含嵌套的循环,则基本语句通常是最内层的循环体,如果算法中包含并列的循环,则将并列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++;
     
      第一个for循环的时间复杂度为Ο(n),第二个for循环的时间复杂度为Ο(n²),则整个算法的时间复杂度为Ο(n+n²)=Ο(n²)。
      注、加法原则:T(n)=O(f(n))+O(g(n))=O(max(fn,gn))
     
      常见的算法时间复杂度由小到大依次为:
     
      Ο(1)<Ο(log2n)<Ο(n)<Ο(nlog2n)<Ο(n²)<Ο(n³)<…<Ο(2^n)<Ο(n!)<O(n^n)
     
    Ο(1)表示基本语句的执行次数是一个常数,一般来说,只要算法中不存在循环语句,其时间复杂度就是Ο(1)。Ο(log2n)、Ο(n)、Ο(nlog2n)、Ο(n2)和Ο(n3)称为多项式时间,而Ο(2n)和Ο(n!)称为指数时间。计算机科学家普遍认为前者是有效算法,把这类问题称为P类问题,而把后者称为NP问题。
     
     
     
    对于一个循环,假设循环体的时间复杂度为 O(n),循环次数为 m,则这个循环的时间复杂度为 O(n×m)。
     
    void aFunc(int n) {
    
      for(int i = 0; i < n; i++) { // 循环次数为 n
    
      printf("Hello, World!\n"); // 循环体时间复杂度为 O(1)
    
      }
    }

     

    此时时间复杂度为 O(n × 1),即 O(n)。

    对于多个循环,假设循环体的时间复杂度为 O(n),各个循环的循环次数分别是a, b, c...,则这个循环的时间复杂度为 O(n×a×b×c...)。分析的时候应该由里向外分析这些循环。

    void aFunc(int n) {
        for(int i = 0; i < n; i++) { // 循环次数为 n
            for(int j = 0; j < n; j++) { // 循环次数为 n
                printf("Hello, World!\n"); // 循环体时间复杂度为 O(1)
            }
        }
    }                

     

    此时时间复杂度为 O(n × n × 1),即 O(n^2)。

     

    对于顺序执行的语句或者算法,总的时间复杂度等于其中最大的时间复杂度。

    void aFunc(int n) {
    // 第一部分时间复杂度为 O(n^2)
    for(int i = 0; i < n; i++) {
      for(int j = 0; j < n; j++) {
        printf("Hello, World!\n");
      }
    }
    // 第二部分时间复杂度为 O(n)
    for(int j = 0; j < n; j++) {
      printf("Hello, World!\n");
    }
    }

     

    此时时间复杂度为 max(O(n^2), O(n)),即 O(n^2)。

    对于条件判断语句,总的时间复杂度等于其中 时间复杂度最大的路径 的时间复杂度。

    void aFunc(int n) {
    if (n >= 0) {
    // 第一条路径时间复杂度为 O(n^2)
    for(int i = 0; i < n; i++) {
    for(int j = 0; j < n; j++) {
    printf("输入数据大于等于零\n");
    }
    }
    } else {
    // 第二条路径时间复杂度为 O(n)
    for(int j = 0; j < n; j++) {
    printf("输入数据小于零\n");
    }
    }
    }

     

    此时时间复杂度为 max(O(n^2), O(n)),即 O(n^2)。

    时间复杂度分析的基本策略是:从内向外分析,从最深层开始分析。如果遇到函数调用,要深入函数进行分析。

    转载于:https://www.cnblogs.com/wonker/p/11236988.html

    展开全文
  • 相信学习编程同学,或多或少都接触到算法时间... 算法中执行次数最多那条语句就是基本语句,通常是最内层循环的循环体。  ⑵ 计算基本语句的执行次数的数量级;  只需计算基本语句执行次数的数量级,这

            相信学习编程的同学,或多或少都接触到算法的时间复杂度和空间复杂度了,那我来讲讲怎么计算。

           常用的算法的时间复杂度和空间复杂度 一,求解算法的时间复杂度,其具体步骤是:

      ⑴ 找出算法中的基本语句;

      算法中执行次数最多的那条语句就是基本语句,通常是最内层循环的循环体。

      ⑵ 计算基本语句的执行次数的数量级;

      只需计算基本语句执行次数的数量级,这就意味着只要保证基本语句执行次数的函数中的最高次幂正确即可,可以忽略所有低次幂和最高次幂的系数。这样能够简化算法分析,并且使注意力集中在最重要的一点上:增长率。

      ⑶ 用大O记号表示算法的时间性能。

      将基本语句执行次数的数量级放入大O记号中。

      如果算法中包含嵌套的循环,则基本语句通常是最内层的循环体,如果算法中包含并列的循环,则将并列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++;

      第一个for循环的时间复杂度为O(n),第二个for循环的时间复杂度为O(n2),则整个算法的时间复杂度为O(n+n2)=O(n2)。

      常见的算法时间复杂度由小到大依次为:

      O(1)<O(log2n)<O(n)<O(nlog2n)<O(n2)<O(n3)<…<O(2n)<O(n!)

    Ο(1)表示基本语句的执行次数是一个常数,一般来说,只要算法中不存在循环语句,其时间复杂度就是O(1)。O(log2n)、O(n)、O(nlog2n)、O(n2)和O(n3)称为多项式时间,而O(2n)和O(n!)称为指数时间。计算机科学家普遍认为前者是有效算法,把这类问题称为P(Polynomial,多项式)类问题,而把后者称为NP(Non-Deterministic Polynomial,非确定多项式)问题。

    在计算算法时间复杂度时有以下几个简单的程序分析法则: 
       (1).对于一些简单的输入输出语句或赋值语句,近似认为需要O(1)时间 
       (2).对于顺序结构,需要依次执行一系列语句所用的时间可采用大O下"求和法则" 求和法则:是指若算法的2个部分时间复杂度分别为 T1(n)=O(f(n))和 T2(n)=O(g(n)),则 T1(n)+T2(n)=O(max(f(n),g(n)))。特别地,若T1(m)=O(f(m)), T2(n)=O(g(n)),则 T1(m)+T2(n)=O(f(m)+g(n)) 
       (3).对于选择结构,如if语句,它的主要时间耗费是在执行then字句或else字句所用的时间,需注意的是检验条件也需要O(1)时间 
       (4).对于循环结构,循环语句的运行时间主要体现在多次迭代中执行循环体以及检验循环条件的时间耗费,一般可用大O下"乘法法则" 
    乘法法则: 是指若算法的2个部分时间复杂度分别为 T1(n)=O(f(n))和 T2(n)=O(g(n)),则 T1*T2=O(f(n)*g(n)) 
       (5).对于复杂的算法,可以将它分成几个容易估算的部分,然后利用求和法则和乘法法则技术整个算法的时间复杂度 
       另外还有以下2个运算法则:(1) 若g(n)=O(f(n)),则O(f(n))+O(g(n))=O(f(n));(2)O(Cf(n)) = O(f(n)),其中C是一个正常数。

    几个常见的时间复杂度进行示例说明

    (1)、O(1) 

     Temp=i; i=j; j=temp;                     
       以上三条单个语句的频度均为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)。注意: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)。 

    (2)、O(n2)

    交换i和j的内容

    1.sum=0;(一次)   

    2.for(i=1;i<=n;i++) (n+1次)   

    3.for(j=1;j<=n;j++)(n(n+1)次)   

    4.sum++;(n(n+1)+1次) 

    因为(2n2+n+1)=n2(即:去低阶项,去掉常数项,去掉高阶项的常参得到),所以T(n)= =O(n2);

    一般情况下,对步进循环语句只需考虑循环体中语句的执行次数,忽略该语句中步长加1、终值判别、控制转移等成分,当有若干个循环语句时,算法的时间复杂度是由嵌套层数最多的循环语句中最内层语句的频度f(n)决定的。

    (3)、O(n)  

    1.a=0;   

    2.b=1;               ①   

    3.for (i=1;i<=n;i++) ②   

    4.{s=a+b;            ③   

    6.b=a;               ④     

    7.a=s; }             ⑤ 

    语句1的频度为2,语句2的频度为n,语句3的频度为n-1,语句4的频度为n-1,语句5的频度为n-1, 即T(n)=2+n+3(n-1)=4n-1=O(n). 

    (4)、O(log2n) 

    1. i=1;   ①   

    2. while (i<=n)   

    3. i=i*2; ② 

    语句1的频度是1,设语句2的频度是f(n),则:2^f(n)<=n;f(n)<=log2n,取最大值f(n)=log2n,即T(n)=O(log2n) 

    (5)、O(n3)  

    1. for(i=0;i<n;i++){     

    2. for(j=0;j<i;j++){   

    3.for(k=0;k<j;k++)   

    4.x=x+2; }}

    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)/6所以时间复杂度为O(n3).

    二,算法的空间复杂度:

    类似于时间复杂度的讨论,一个算法的空间复杂度(Space Complexity)S(n)定义为该算法所耗费的存储空间,它也是问题规模n的函数。渐近空间复杂度也常常简称为空间复杂度。 空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度。一个算法在计算机存储器上所占用的存储空间,包括存储算法本身所占用的存储空间算法的输入输出数据所占用的存储空间算法在运行过程中临时占用的存储空间这三个方面。算法的输入输出数据所占用的存储空间是由要解决的问题决定的,是通过参数表由调用函数传递而来的,它不随本算法的不同而改变。存储算法本身所占用的存储空间与算法书写的长短成正比,要压缩这方面的存储空间,就必须编写出较短的算法。算法在运行过程中临时占用的存储空间随算法的不同而异,有的算法只需要占用少量的临时工作单元,而且不随问题规模的大小而改变,我们称这种算法是“就地\"进行的,是节省存储的算法,如这一节介绍过的几个算法都是如此;有的算法需要占用的临时工作单元数与解决问题的规模n有关,它随着n的增大而增大,当n较大时,将占用较多的存储单元。

    当一个算法的空间复杂度为一个常量,即不随被处理数据量n的大小而改变时,可表示为O(1);当一个算法的空间复杂度与以2为底的n的对数成正比时,可表示为0(10g2n);当一个算法的空间复杂度与n成线性比例关系时,可表示为0(n).若形参为数组,则只需要为它分配一个存储由实参传送来的一个地址指针的空间,即一个机器字长空间;若形参为引用方式,则也只需要为其分配存储一个地址的空间,用它来存储对应实参变量的地址,以便由系统自动引用实参变量。

    算法的空间复杂度通过计算算法所需的存储空间实现,算法空间复杂度的计算公式记作:S(n)= O(f(n)),其中,n为问题的规模,f(n)为语句关于n所占存储空间的函数。

    一般情况下,一个程序在机器上执行时,除了需要存储程序本身的指令、常数、变量和输入数据外,还需要存储对数据操作的存储单元。若输入数据所占空间只取决于问题本身,和算法无关,这样只需要分析该算法在实现时所需的辅助单元即可。若算法执行时所需的辅助空间相对于输入数据量而言是个常数,则称此算法为原地工作,空间复杂度为O(1)。关于O(1)的问题, O(1)是说数据规模和临时变量数目无关,并不是说仅仅定义一个临时变量。举例:无论数据规模多大,我都定义100个变量,这就叫做数据规模和临时变量数目无关。就是说空间复杂度是O(1)。

    对于一个算法,其时间复杂度和空间复杂度往往是相互影响的。当追求一个较好的时间复杂度时,可能会使空间复杂度的性能变差,即可能导致占用较多的存储空间;反之,求一个较好的空间复杂度时,可能会使时间复杂度的性能变差,即可能导致占用较长的运行时间。另外,算法的所有性能之间都存在着或多或少的相互影响。因此,当设计一个算法(特别是大型算法)时,要综合考虑算法的各项性能,算法的使用频率,算法处理的数据量的大小,算法描述语言的特性,算法运行的机器系统环境等各方面因素,才能够设计出比较好的算法。

    常用的算法的时间复杂度和空间复杂度


    一个经验规则:其中c是一个常量,如果一个算法的复杂度为c 、 log2n 、n 、 n*log2n ,那么这个算法时间效率比较高 ,如果是2n ,3n ,n!,那么稍微大一些的n就会令这个算法不能动了,居于中间的几个则差强人意。 
           算法复杂度分析是一个很重要的问题,任何一个程序员都应该熟练掌握其概念和基本方法,而且要善于从数学层面上探寻其本质,才能准确理解其内涵。


    展开全文
  • 关于计算时间复杂度和空间复杂度

    万次阅读 多人点赞 2016-09-04 00:09:45
    相信学习编程同学,或多或少都接触到算法时间... 算法中执行次数最多那条语句就是基本语句,通常是最内层循环的循环体。  ⑵ 计算基本语句的执行次数的数量级;  只需计算基本语句执行次数的数量级,这就意

            相信学习编程的同学,或多或少都接触到算法的时间复杂度和空间复杂度了,那我来讲讲怎么计算。

           常用的算法的时间复杂度和空间复杂度 一,求解算法的时间复杂度,其具体步骤是:

      ⑴ 找出算法中的基本语句;

      算法中执行次数最多的那条语句就是基本语句,通常是最内层循环的循环体。

      ⑵ 计算基本语句的执行次数的数量级;

      只需计算基本语句执行次数的数量级,这就意味着只要保证基本语句执行次数的函数中的最高次幂正确即可,可以忽略所有低次幂和最高次幂的系数。这样能够简化算法分析,并且使注意力集中在最重要的一点上:增长率。

      ⑶ 用大O记号表示算法的时间性能。

      将基本语句执行次数的数量级放入大O记号中。

      如果算法中包含嵌套的循环,则基本语句通常是最内层的循环体,如果算法中包含并列的循环,则将并列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++;

      第一个for循环的时间复杂度为O(n),第二个for循环的时间复杂度为O(n2),则整个算法的时间复杂度为O(n+n2)=O(n2)。

      常见的算法时间复杂度由小到大依次为:

      O(1)<O(log2n)<O(n)<O(nlog2n)<O(n2)<O(n3)<…<O(2n)<O(n!)

    Ο(1)表示基本语句的执行次数是一个常数,一般来说,只要算法中不存在循环语句,其时间复杂度就是O(1)。O(log2n)、O(n)、O(nlog2n)、O(n2)和O(n3)称为多项式时间,而O(2n)和O(n!)称为指数时间。计算机科学家普遍认为前者是有效算法,把这类问题称为P(Polynomial,多项式)类问题,而把后者称为NP(Non-Deterministic Polynomial,非确定多项式)问题。

    在计算算法时间复杂度时有以下几个简单的程序分析法则: 
       (1).对于一些简单的输入输出语句或赋值语句,近似认为需要O(1)时间 
       (2).对于顺序结构,需要依次执行一系列语句所用的时间可采用大O下"求和法则" 求和法则:是指若算法的2个部分时间复杂度分别为 T1(n)=O(f(n))和 T2(n)=O(g(n)),则 T1(n)+T2(n)=O(max(f(n),g(n)))。特别地,若T1(m)=O(f(m)), T2(n)=O(g(n)),则 T1(m)+T2(n)=O(f(m)+g(n)) 
       (3).对于选择结构,如if语句,它的主要时间耗费是在执行then字句或else字句所用的时间,需注意的是检验条件也需要O(1)时间 
       (4).对于循环结构,循环语句的运行时间主要体现在多次迭代中执行循环体以及检验循环条件的时间耗费,一般可用大O下"乘法法则" 
    乘法法则: 是指若算法的2个部分时间复杂度分别为 T1(n)=O(f(n))和 T2(n)=O(g(n)),则 T1*T2=O(f(n)*g(n)) 
       (5).对于复杂的算法,可以将它分成几个容易估算的部分,然后利用求和法则和乘法法则技术整个算法的时间复杂度 
       另外还有以下2个运算法则:(1) 若g(n)=O(f(n)),则O(f(n))+O(g(n))=O(f(n));(2)O(Cf(n)) = O(f(n)),其中C是一个正常数。

    几个常见的时间复杂度进行示例说明

    (1)、O(1) 

     Temp=i; i=j; j=temp;                     
       以上三条单个语句的频度均为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)。注意: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)。 

    (2)、O(n2)

    交换i和j的内容

    1.sum=0;(一次)   

    2.for(i=1;i<=n;i++) (n+1次)   

    3.for(j=1;j<=n;j++)(n(n+1)次)   

    4.sum++;(n(n+1)+1次) 

    因为(2n2+n+1)=n2(即:去低阶项,去掉常数项,去掉高阶项的常参得到),所以T(n)= =O(n2);

    一般情况下,对步进循环语句只需考虑循环体中语句的执行次数,忽略该语句中步长加1、终值判别、控制转移等成分,当有若干个循环语句时,算法的时间复杂度是由嵌套层数最多的循环语句中最内层语句的频度f(n)决定的。

    (3)、O(n)  

    1.a=0;   

    2.b=1;               ①   

    3.for (i=1;i<=n;i++) ②   

    4.{s=a+b;            ③   

    6.b=a;               ④     

    7.a=s; }             ⑤ 

    语句1的频度为2,语句2的频度为n,语句3的频度为n-1,语句4的频度为n-1,语句5的频度为n-1, 即T(n)=2+n+3(n-1)=4n-1=O(n). 

    (4)、O(log2n) 

    1. i=1;   ①   

    2. while (i<=n)   

    3. i=i*2; ② 

    语句1的频度是1,设语句2的频度是f(n),则:2^f(n)<=n;f(n)<=log2n,取最大值f(n)=log2n,即T(n)=O(log2n) 

    (5)、O(n3)  

    1. for(i=0;i<n;i++){     

    2. for(j=0;j<i;j++){   

    3.for(k=0;k<j;k++)   

    4.x=x+2; }}

    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)/6所以时间复杂度为O(n3).

    二,算法的空间复杂度:

    类似于时间复杂度的讨论,一个算法的空间复杂度(Space Complexity)S(n)定义为该算法所耗费的存储空间,它也是问题规模n的函数。渐近空间复杂度也常常简称为空间复杂度。 空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度。一个算法在计算机存储器上所占用的存储空间,包括存储算法本身所占用的存储空间算法的输入输出数据所占用的存储空间算法在运行过程中临时占用的存储空间这三个方面。算法的输入输出数据所占用的存储空间是由要解决的问题决定的,是通过参数表由调用函数传递而来的,它不随本算法的不同而改变。存储算法本身所占用的存储空间与算法书写的长短成正比,要压缩这方面的存储空间,就必须编写出较短的算法。算法在运行过程中临时占用的存储空间随算法的不同而异,有的算法只需要占用少量的临时工作单元,而且不随问题规模的大小而改变,我们称这种算法是“就地\"进行的,是节省存储的算法,如这一节介绍过的几个算法都是如此;有的算法需要占用的临时工作单元数与解决问题的规模n有关,它随着n的增大而增大,当n较大时,将占用较多的存储单元。

    当一个算法的空间复杂度为一个常量,即不随被处理数据量n的大小而改变时,可表示为O(1);当一个算法的空间复杂度与以2为底的n的对数成正比时,可表示为0(10g2n);当一个算法的空间复杂度与n成线性比例关系时,可表示为0(n).若形参为数组,则只需要为它分配一个存储由实参传送来的一个地址指针的空间,即一个机器字长空间;若形参为引用方式,则也只需要为其分配存储一个地址的空间,用它来存储对应实参变量的地址,以便由系统自动引用实参变量。

    算法的空间复杂度通过计算算法所需的存储空间实现,算法空间复杂度的计算公式记作:S(n)= O(f(n)),其中,n为问题的规模,f(n)为语句关于n所占存储空间的函数。

    一般情况下,一个程序在机器上执行时,除了需要存储程序本身的指令、常数、变量和输入数据外,还需要存储对数据操作的存储单元。若输入数据所占空间只取决于问题本身,和算法无关,这样只需要分析该算法在实现时所需的辅助单元即可。若算法执行时所需的辅助空间相对于输入数据量而言是个常数,则称此算法为原地工作,空间复杂度为O(1)。关于O(1)的问题, O(1)是说数据规模和临时变量数目无关,并不是说仅仅定义一个临时变量。举例:无论数据规模多大,我都定义100个变量,这就叫做数据规模和临时变量数目无关。就是说空间复杂度是O(1)。

    对于一个算法,其时间复杂度和空间复杂度往往是相互影响的。当追求一个较好的时间复杂度时,可能会使空间复杂度的性能变差,即可能导致占用较多的存储空间;反之,求一个较好的空间复杂度时,可能会使时间复杂度的性能变差,即可能导致占用较长的运行时间。另外,算法的所有性能之间都存在着或多或少的相互影响。因此,当设计一个算法(特别是大型算法)时,要综合考虑算法的各项性能,算法的使用频率,算法处理的数据量的大小,算法描述语言的特性,算法运行的机器系统环境等各方面因素,才能够设计出比较好的算法。

    常用的算法的时间复杂度和空间复杂度


    一个经验规则:其中c是一个常量,如果一个算法的复杂度为c 、 log2n 、n 、 n*log2n ,那么这个算法时间效率比较高 ,如果是2n ,3n ,n!,那么稍微大一些的n就会令这个算法不能动了,居于中间的几个则差强人意。 
           算法复杂度分析是一个很重要的问题,任何一个程序员都应该熟练掌握其概念和基本方法,而且要善于从数学层面上探寻其本质,才能准确理解其内涵。


    展开全文
  • 学习算法同学,如果不知道计算一个算法时间复杂度该如何计算,其实是一件很丢脸事情。...  算法中执行次数最多那条语句就是基本语句,通常是最内层循环的循环体。  ⑵ 计算基本

    学习算法的同学,如果不知道计算一个算法的时间复杂度该如何计算,其实是一件很丢脸的事情。最近选修了高级算法这门课,由于时间紧张,原本就想混过去算了,但是不料考试的时候有40%的题目是计算时间复杂度的,干脆就好好的总结一下。

    概念我也不讲了,大家都清楚。关键讲讲怎么计算比较实际一点。

           求解算法的时间复杂度的具体步骤是:

      ⑴ 找出算法中的基本语句;

      算法中执行次数最多的那条语句就是基本语句,通常是最内层循环的循环体。

      ⑵ 计算基本语句的执行次数的数量级;

      只需计算基本语句执行次数的数量级,这就意味着只要保证基本语句执行次数的函数中的最高次幂正确即可,可以忽略所有低次幂和最高次幂的系数。这样能够简化算法分析,并且使注意力集中在最重要的一点上:增长率。

      ⑶ 用大Ο记号表示算法的时间性能。

      将基本语句执行次数的数量级放入大Ο记号中。

      如果算法中包含嵌套的循环,则基本语句通常是最内层的循环体,如果算法中包含并列的循环,则将并列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++;

      第一个for循环的时间复杂度为Ο(n),第二个for循环的时间复杂度为Ο(n2),则整个算法的时间复杂度为Ο(n+n2)=Ο(n2)。

      常见的算法时间复杂度由小到大依次为:

      Ο(1)<Ο(log2n)<Ο(n)<Ο(nlog2n)<Ο(n2)<Ο(n3)<…<Ο(2n)<Ο(n!)

    Ο(1)表 示基本语句的执行次数是一个常数,一般来说,只要算法中不存在循环语句,其时间复杂度就是Ο(1)。Ο(log2n)、Ο(n)、Ο(nlog2n)、 Ο(n2)和Ο(n3)称为多项式时间,而Ο(2n)和Ο(n!)称为指数时间。计算机科学家普遍认为前者是有效算法,把这类问题称为P类问题,而把后者 称为NP问题。

    这只能基本的计算时间复杂度,具体的运行还会与硬件有关。

    展开全文
  • 相信学习编程同学,或多或少... 算法中执行次数最多那条语句就是基本语句,通常是最内层循环的循环体。  ⑵ 计算基本语句的执行次数的数量级;  只需计算基本语句执行次数的数量级,这就意味着只要保证基...
  • 相信学习编程同学,或多或少... 算法中执行次数最多那条语句就是基本语句,通常是最内层循环的循环体。  ⑵ 计算基本语句的执行次数的数量级;  只需计算基本语句执行次数的数量级,这就意味着只要保证基本语
  • 算法中执行次数最多那条语句就是基本语句,通常是最内层循环的循环体。 ⑵&nbsp;计算基本语句的执行次数的数量级; 只需计算基本语句执行次数的数量级,这就意味着只要保证基本语句执行次数的函数中...
  • 时间复杂度

    2013-04-19 17:25:20
    算法中执行次数最多那条语句就是基本语句 通常是循环语句里面的循环体 步骤2:计算基本语句的执行次数的数量级 顾名思义就是不管其他 只是找出基本语句最多执行次数的数量级 其他较小直接忽略 ...
  • 原文出自:https://blog.csdn.net/yangwei282367751/article/details/52426911相信学习编程... 算法中执行次数最多那条语句就是基本语句,通常是最内层循环的循环体。2、 计算基本语句的执行次数的数量级; 只...
  • 1.4.3 main()方法:所有Java程序执行的起点 15 .1.5 名词解释 16 1.5.1 JDK和Java平台 16 1.5.2 Java编译器(Java Compiler) 17 1.5.3 Java类库(Java Class Libraries) 17 1.5.4 Java虚拟机(Java Virtual ...
  • 1.4.3 main()方法:所有Java程序执行的起点 15 .1.5 名词解释 16 1.5.1 JDK和Java平台 16 1.5.2 Java编译器(Java Compiler) 17 1.5.3 Java类库(Java Class Libraries) 17 1.5.4 Java虚拟机(Java Virtual ...
  • 1.4.3 main()方法:所有Java程序执行的起点 15 .1.5 名词解释 16 1.5.1 JDK和Java平台 16 1.5.2 Java编译器(Java Compiler) 17 1.5.3 Java类库(Java Class Libraries) 17 1.5.4 Java虚拟机(Java Virtual ...
  • c语言编写单片机技巧

    2009-04-19 12:15:17
    嵌入式DSP专门用来处理对离散时间信号进行极快处理计算,提高编译效率和执行速度。在数字滤波、FFT(Fast Fourier Transform)、频谱分析、图像处理分析等领域,DSP正在大量进入嵌入式市场。 18. MCU在...
  • 软件工程教程

    热门讨论 2012-07-06 23:10:29
    删除操作一旦执行,立即被监听器捕获到,进而在执行 删除操作前执行自定义函数,即判断实体有无undeletable标签,有则中断删除操作,无则正常删除。 用例图 关系 关联关系 ;依赖关系 ;泛化关系;关系...
  • 主串为s=”00000000000000000000000000000000000000000000000001”,而要匹配子串为t=”0000000001”,……在匹配时,每次都得将t中字符循环到最后一位才发现,哦,原来它们是不匹配。 5.7kmp模式匹配算法 135 ...
  • 主串为s=”00000000000000000000000000000000000000000000000001”,而要匹配子串为t=”0000000001”,……在匹配时,每次都得将t中字符循环到最后一位才发现,哦,原来它们是不匹配。 5.7kmp模式匹配算法 135 ...
  • 大话数据结构

    2019-01-10 16:35:22
    主串为s=”00000000000000000000000000000000000000000000000001”,而要匹配子串为t=”0000000001”,……在匹配时,每次都得将t中字符循环到最后一位才发现,哦,原来它们是不匹配。 5.7kmp模式匹配算法 135 ...
  • 大话数据结构 程杰

    2018-09-01 10:06:43
    主串为s=”00000000000000000000000000000000000000000000000001”,而要匹配子串为t=”0000000001”,……在匹配时,每次都得将t中字符循环到最后一位才发现,哦,原来它们是不匹配。 5.7kmp模式匹配算法 135 ...
  • 4.11 队列抽象数据类型 112 4.12 循环队列 113 你上了公交车发现前排有两个空座位,而后排所有座位都已经坐满,你会怎么做?立马下车,并对自己说,后面没座了,我等下一辆?没这么笨人,前面有座位,当然也是...
  • 大话数据结构-程杰

    2014-07-13 23:45:52
    主串为S="00000000000000000000000000000000000000000000000001",而要匹配子串为T="0000000001",……在匹配时,每次都得将T中字符循环到最后一位才发现,哦,原来它们是不匹配。 5.7 KMP模式匹配算法 135 很...
  • 6、从类似如下的文本文件中读取出所有的姓名,并打印出重复的姓名和重复的次数,并按重复次数排序: 71 7、写一个Singleton出来。 75 8、递归算法题1 77 9、递归算法题2 78 10、排序都有哪几种方法?请列举。用JAVA...
  • 1 逻辑类问题(A类)-指设计、编码中出现的计算正确性和一致性、程序逻辑控制等方面出现问题,在系统中起关键作用,将导致软件死机、功能正常实现等严重问题; 接口类问题(B类)-指设计、编码中出现函数和...
  • 可靠Windows版Redis-教你怎么解决64位Windows版Redis狂占C盘问题 Oracle中 SQL 执行太慢元凶: OR Windows下载安装JDK【废弃】 小伙伴书三生 2014年 排斥所有液体新型超疏水纳米材料 20纳米DDR4内存 ...

空空如也

空空如也

1 2
收藏数 26
精华内容 10
关键字:

循环体执行的次数怎么计算