首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >算法之复杂度判断

算法之复杂度判断

作者头像
tandaxia
发布2019-06-01 14:19:09
4940
发布2019-06-01 14:19:09
举报
文章被收录于专栏:谈补锅谈补锅

1、算法:算法是解决特定问题求解步骤的描述,在计算机中表现为指令的有限序列,并且每条指令表示一个或多个操作。

那么一个怎样的算法才能称得上是好算法,也就是说有没有什么标准来评判一个算法的好坏?

在此之前,咱们先来做个试验:

  用两种方式来实现求裴波那契数列第n项的值,一种方式用递归方式,第二种方式用普通循环方式。

  在得到结果之前,你猜猜那种方式计算结果更快一些,还是一样快?

  测试代码如下(JavaScript):

/**
 * 1、递归实现斐波那契数列:
 * 1,1,2,3,5...  第n项 = 第n-1项 + 第n-2项
 * */
function recursionFbi(n){
    if (n < 3) return 1;
    if (n == 3) return 2;
    // console.log("递归n: ", n);
    return recursionFbi(n-1) + recursionFbi(n-2);
}

/**
 * 2、循环实现裴波那契数列
 * 1,1,2,3,5... 第n项 = 第n-1项 + 第n-2项
 * */
function circleFbi(n){

    if (n < 3) return 1;
    var a = 1, b = 1, c = 0;
    for (var i = 0; i < n; i++){
        if (i > 1){
            c = a + b;
            a = b;
            b = c;
        }
        console.log("循环i: ", i, ", c: ", c);
    }
    return c;
}

这里输入几个数字做测试,大致记录下结果作对比。

当然每次测试同一个数字的计算时间不一定都相同,跟当前测试的电脑硬件配置,和其他应用同开有一定关系。

当输入n=51的时候,测试结果截图如下:

还有输入其他一些n值的统计数据:

   上面通过两种方式求裴波那契数列,表现出来的时间损耗值相差惊人!为什么会有这么大的差别?这体现了一个好的算法能让程序的运行效率事半功倍,一个糟糕的算法对于程序来说简直就是灾难!刚才这两种算法方式的区别,等下再分析。

2、现在,我们来说说如何来粗略的估算一个算法的好坏。

  我们对于算法的设计要求是:正确性、可读性、健壮性、时间效率高、存储量低。

  因此对于一个算法,我们在运行前,可以从这五个角度来进行判断分析,下面主要从时间效率和存储量角度来细说下:

  • 时间复杂度(time complexity):估算程序指令的执行次数(执行时间)
  • 控件复杂度(space complexity):估算所需占用的存储空间

  大O表示法是一种粗略的分析模型,能帮助我们快速估算一个算法的执行效率,我们用它来描述算法的时间复杂度。

  常见的时间复杂度有这些:

  在使用大O推导法时,对于常数阶,我们用常数1代替;有多阶项则只保留最高阶项;最高阶项的常数去除。如图:

这里贴上几个示例用来练习时间复杂度的计算(JavaScript):

//算法复杂度:O(n)
function testCount1(n){
    //指令计数:多个if算作一个指令
    if (n > 10){
        console.log("n > 10")
    }
    else if(n > 5){
        console.log("n > 5")
    }
    else{
        console.log("n <= 5")
    }

    //指令计数:1 + n + n + n = 3n + 1
    for (var i = 0; i < n; i++){
        console.log("...testCount1...")
    }
}

//算法复杂度:O(logn)
function testCount3(n){
    //指令计数:n/2 = log2(n)
    //n=2 -> 1;  n=4->2;    n = 8->3;   n = 16->4;  n = 32->6
    //1=log2(2); 2=log2(4); 3=log2(8);  4=log2(16);  6=log2(32)
    while((n = n / 2) > 0){
        console.log("***testCount3***");
    }
}

//算法复杂度:O(nlogn)
function testCount4(n){
    //指令计数:1 + 2*log2(n) + log2(n) * (1+3n) = 1 + 3log2(n) + 3n*log2(n)
    for (var i = 1; i < n; i = i * 2){
        //1 + 3n
        for (var j = 0; j < n; j++){
            console.log(">>>testCount4>>>")
        }
    }
}

//算法复杂度:O(n^2)
function testCount2(n){
    //指令计数:1 + 2n + n * (1+3n) = 1 + 3n + 3n^2 = 3n^2 + 3n + 1
    for (var i = 0; i < n; i++){
        for (var j = 0; j < n; j++){
            console.log("...testCount2...")
        }
    }
}

 常见的时间复杂度所耗时间的大小排列如下:

3、掌握了大O推导法,我们用大O表示法来论证本文最开始计算裴波那契数列的两种算法的区别:

 3.1 递归方式算法,先看下图:

  可以得出,这里的递归方式算法用大O表示法来表示,它属于指数阶,可以粗略表示为:O(n) = 2^n

  3.2 而第二种循环方式算法为线性阶的,用大O表示法为:O(n) = n

  3.3 我们对比一下指数阶和线性阶的函数曲线图就知道,n系数越大,这两种方式的最后的结果相差越大。

    所以当n越大时,递归方式算法的计算次数呈指数级上升,最后次数结果越大,时间损耗数也就越多。

测试Demo地址:https://github.com/xiaotanit/Tan_DataStruct

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2019-05-31 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档