算法时间复杂度分析

在看一个算法是否优秀时，我们一般都要考虑一个算法的时间复杂度和空间复杂度。现在随着空间越来越大，时间复杂度成了一个算法的重要指标，那么如何估计一个算法的时间复杂度呢？

时间复杂度直观体现

首先看一个时间复杂度不同的两个算法，解决同一个问题，会有多大的区别。 下面两个算法都是用来计算斐波那契数列的，两个算法会有多大的差异。

斐波那契数列（Fibonacci sequence），又称黄金分割数列、因数学家列昂纳多·斐波那契（Leonardoda Fibonacci）以兔子繁殖为例子而引入，故又称为“兔子数列”，指的是这样一个数列：1、1、2、3、5、8、13、21、34、……在数学上，斐波那契数列以如下被以递推的方法定义：F(1)=1，F(2)=1, F(n)=F(n-1)+F(n-2)（n>=3，n∈N*）

  • 第一种：使用递归方式

      /**
   * 使用递归方式计算斐波拉契数列
   * @param  index 计算的项数
   */
  public static long fibonacciUseRecursion(int index){
      if(index <= 1){
          return index;
      }
      return fibonacciUseRecursion(index-1) + fibonacciUseRecursion(index-2);
  }

  • 第二种：使用非递归方式

      /**
   * 不使用递归方式计算斐波拉契数列
   * @param index 计算的项数
   */
  public static long fibonacciNoUseRecursion(int index){
      if (index <= 1){
          return index;
      }
      long first = 0;
      long second = 1;
      for (int i = 0; i < index - 1;i++){
          second = first + second;
          first = second - first;
      }
      return second;
  }

    对上面两种算法进行简单的运行时间统计，我们使用下面的代码进行简单的测试

    public static void main(String[] args) {
      // 获取当前时间
      long begin = System.currentTimeMillis();
      // 计算第50项斐波拉契数列的值
      System.out.println(fibonacciUseRecursion(50));
      // 计算时间差，算法执行所花的时间
      System.out.println("time:" + (System.currentTimeMillis() - begin) / 1000 +"s");

      begin = System.currentTimeMillis();
      System.out.println(fibonacciNoUseRecursion(50));
      System.out.println("time:" + (System.currentTimeMillis() - begin) / 1000 + "s");
  }

    测试结果如下:

可以看到，在计算第50项的时候，第一种递归方式花费了48秒的时间，而第二种不到一秒，虽然这种方式不太科学，但也看出来了两者巨大的差距，并且随着计算的值越大，时间的差异越明显。由此可见，时间复杂度是决定一个算法好坏的重要指标。

如何衡量一个算法的好坏

  1. 正确性、可读性、健壮性。

    算法必须要保证正确，不正确的算法是没有必要衡量其好坏的；算法也要保证良好的可读性，能够让阅读者明白内在实现与逻辑；健壮性为对不合理输入的反应能力和处理能力，比如非法输入，要有相应的处理，而不应该程序奔溃等。这些都是一个良好的算法必备的条件。

  2. 时间复杂度

    时间复杂度也是一个衡量算法优劣的重要条件，不同的算法的执行时间可能会存在很大的差别。

  3. 空间复杂度

    空间复杂度表示一个算法执行过程中，需要的空间(内存)数量，也是衡量一个算法的重要指标，尤其是在嵌入式等程序中的算法，内存是非常宝贵的，有时候宁愿提高时间复杂度，也要保证不占用太多的空间。

如何计算时间复杂度

第一种：事后统计法

上面我们使用了一种计算执行前后时间差的方式，直观的来看一个算法的复杂度，比较不同算法对同一组输入的执行时间，这种方法也叫作"事后统计法"，但是这种方法也存在一些问题，主要问题有：

  • 执行时间严重依赖于硬件已经运行时各种不确定的环境因素。

    比如两个算法在不同的硬件机器上进行测试，硬件不同，运行时间也会存在差异，即使就在一台机器上执行，也会存在运行时机器的CPU、内存使用情况不同等因素。

  • 必须要编写相应的测试代码。

  • 测试数据的选择难以保证公正性。

    比如有两个算法，一个在数据量小的时候占优，一个在大数据量的时候运行较快，这样便难以选择一个公正的测试数据。

第二种：估算代码指令执行次数

那么我们可以使用代码的每个指令的执行次数，可以简单估算代码的执行次数，一般情况下，执行次数少的肯定要比执行次数多的花的时间更少。看如下的示例：

    public static void test1(int n) {
        if (n > 10) {
            System.out.println("n > 10");
        } else if (n > 5) { 
            System.out.println("n > 5");
        } else {
            System.out.println("n <= 5");
        }

        for (int i = 0; i < 4; i++) {
            System.out.println("test");
        }
    }

上面这个方法，我们计算它的执行次数。 1. 最上面的if...else if...else这个判断，判断会执行一次、判断成立的代码会执行一次。 2. 下面的for循环，i=0这句赋值会执行一次，i<4这个判断条件会执行4次，i++也会执行4次，循环体(输出语句)也会执行4次。 3. 因此，整个方法的执行次数为：1+1+1+4+4+4 = 15次。

    public static void test2(int n) {
        for (int i = 0; i < n; i++) {
            System.out.println("test");
        }
    }

上面这个方法，我们计算它的执行次数。 1. 在for循环中，i=0这句赋值会执行一次，i < n执行n次，i++执行n次，循环体执行n次。 2. 因此，整个方法的执行次数为：1+n+n+n = 3n+1 次

    public static void test3(int n) {
        for (int i = 0; i < n; i++) {
            for (int j = 0; j < n; j++) {
                System.out.println("test");
            }
        }
    }

上面这个方法，我们计算它的执行次数。 1. 在外层for循环中，i=0这句赋值会执行一次，i < n执行n次，i++执行n次，循环体执行n次。 2. 在内层循环中，j=0这句赋值会执行一次，j < n执行n次，j++执行n次，循环体执行n次。 3. 因此，整个方法的执行次数为 1+n+n+n*(1+n+n+n)=3n2+3n+1 次

    public static void test4(int n) {
        for (int i = 0; i < n; i++) {
            for (int j = 0; j < 15; j++) {
                System.out.println("test");
            }
        }
    }

上面这个方法，我们计算它的执行次数。 1. 在外层for循环中，i=0这句赋值会执行一次，i < n执行n次，i++执行n次，循环体执行n次。 2. 在内层循环中，j=0这句赋值会执行一次，j < 15执行15次，j++执行15次，循环体执行15次。 3. 因此，整个方法的执行次数为 1+n+n+n*(1+15+15+15)=48n+1 次

    public static void test5(int n) {
        while ((n = n / 2) > 0) {
            System.out.println("test");
        }
    }

上面这个方法，我们计算它的执行次数。 1. 在while循环中，每次对n取一半，相当于对n取以二为底的对数，因此n = n / 2 会执行log2(n)次，判断条件也会执行log2(n)次。 2. 在循环体中，这个输出语句也会执行log2(n)次。 3. 因此，整个方法的执行次数为 log2(n) + log2(n) + log2(n) = 3log2(n)次

    public static void test6(int n) {
        while ((n = n / 5) > 0) {
            System.out.println("test");
        }
    }

上面这个方法，我们计算它的执行次数。 1. 在while循环中，每次对n取五分之一，相当于对n取以五为底的对数，因此n = n / 5 会执行log5(n)次，判断条件也会执行log5(n)次。 2. 在循环体中，这个输出语句也会执行log5(n)次。 3. 因此，整个方法的执行次数为 log5(n) + log5(n) + log5(n) = 3log5(n)次

    public static void test7(int n) {
        for (int i = 1; i < n; i = i * 2) {
            for (int j = 0; j < n; j++) {
                System.out.println("test");
            }
        }
    }

上面这个方法，我们计算它的执行次数。 1. 在外层for循环中，i= 1执行一遍，每次i翻倍，执行次数为log2(n)，因此i < n会执行log2(n)次，i=i2会执行log2(n)次，循环体执行log2(n)。 2. 在内层for循环中，j=0执行一次，j < n执行n次，j++执行n次，内层循环条件执行n次。 3. 因此，整个方法的执行次数为 1+ log2(n) + log2(n) + log2(n)(1+n+n+n) = 3nlog2(n) + 3log2(n)+1次

    public static void test8(int n) {
        int a = 10;
        int b = 20;
        int c = a + b;
        int[] array = new int[n];
        for (int i = 0; i < array.length; i++) {
            System.out.println(array[i] + c);
        }
    }

上面这个方法，我们计算它的执行次数。 1. a=10执行一次，b=20执行一次，c=a+b执行一次，初始化数组执行一次。 2. 在for循环中，i=0执行一次，i < 数组长度执行n次，i++执行n次，内层循环条件执行n次。 3. 因此，整个方法的执行次数为 1+1+1+1+1+n+n+n =3n +5次。

使用这种方法我们发现计算会特别麻烦，而且不同的时间复杂度表达书也比较复杂，我们也不好比较两个时间复杂度的具体优劣，因此为了更简单、更好的比较不同算法的时间复杂度优劣，提出了一种新的时间 复杂度表示法---大O表示法。

大O表示法

大O表示法：算法的时间复杂度通常用大O符号表述，定义为T[n] = O(f(n))。称函数T(n)以f(n)为界或者称T(n)受限于f(n)。 如果一个问题的规模是n，解这一问题的某一算法所需要的时间为T(n)。T(n)称为这一算法的“时间复杂度”。当输入量n逐渐加大时，时间复杂度的极限情形称为算法的“渐近时间复杂度”。

大O表示法，用来描述复杂度，它表示的是数据规模n对应的复杂度，大O表示法有以下的一些特性： 1. 忽略表达式常数、系数、低阶项。 忽略常数，常数直接为1，比如上面第一个方法的复杂度为15，因此直接取1，其时间复杂度使用大O表示为O(1)。 忽略系数，忽略表达式的系数，比如第二个方法的时间复杂度为3n+1，忽略系数和常数，其时间复杂度为O(n)。 忽略低阶项，比如第三个方法的时间复杂度为3n2+3n+1,忽略低阶项3n，忽略常数1，忽略系数3，则其时间复杂度为O(n2)。 2. 对数阶一般忽略底数 对于对数直接的转换，一个对数都可以乘以一个常数项成为一个没有底数的对数，比如 log2n = log29 * log9n，因此可以省略底数，比如上面第五个方法的时间复杂度为log2(n),可以忽略底数2，则其时间负责度为logn。 3. 大O表示法仅仅是一种粗略的分析模型，是一种估算，能帮助我们短时间内估算一个算法的时间复杂度。

常见的复杂度

复杂度的大小关系 O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3) < O(2n) < O(n!) < O(nn)。

因此上面的十个方法的复杂度如下：

直观对比复杂的的大小

直接看表达式，还是很难判断一些复杂度的大小关系，我们可以借助可视化的一些工具来查看比如https://zh.numberempire.com/graphingcalculator.php，通过该网站我们看到在n变化的情况下，不同表达式的变换情况。

递归斐波拉契数列计算方法的时间复杂度分析

第一层计算5，只需要计算1次；第二层计算3和4，2次；计算第3层，4次；计算第4层，8次。所以总共计算1+2+4+8 =15= 25-1 = 1/2 * 22 -1

第一层计算6，只需要计算1次；第二层计算5和4，2次；计算第3层，4次；计算第4层，8次；第5层，计算10次。所以总共计算1+2+4+8+10 =25 = 25 - 7 = 1/2 * 26 - 7。 所以计算第n项，它的时间复杂度为O(2^n)。 所以最开始的两个算法，第一个的算法复杂度为O(2n),一个为O(n)。 他们的差别有多大？ 1. 如果有一台1GHz的普通计算机，运算速度109次每秒（n为64） 2. O(n)大约耗时6.4 ∗ 10-8秒 3. O(2n)大约耗时584.94年 4. 有时候算法之间的差距，往往比硬件方面的差距还要大

算法的优化方向

  1. 用尽量少的存储空间，即空间复杂度低。

  2. 用尽量少的执行步骤，即时间复杂度低。

  3. 一定情况下，时间复杂度和空间复杂度可以互换。

关于复杂度的更多概念

  • 最好、最坏复杂度

  • 均摊复杂度

  • 复杂度震荡

  • 平均复杂度

  • ......

总结

Previous算法Next关于mysql的几件小事

Last updated