C/C++教程

搞定大厂算法面试之leetcode精讲2.时间空间复杂度

本文主要是介绍搞定大厂算法面试之leetcode精讲2.时间空间复杂度,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

搞定大厂算法面试之leetcode精讲2.时间空间复杂度

视频教程(高效学习):点击学习

目录:

1.开篇介绍

2.时间空间复杂度

3.动态规划

4.贪心

5.二分查找

6.深度优先&广度优先

7.双指针

8.滑动窗口

9.位运算

10.递归&分治

11剪枝&回溯

12.堆

13.单调栈

14.排序算法

15.链表

16.set&map

17.栈

18.队列

19.数组

20.字符串

21.树

22.字典树

23.并查集

24.其他类型题

什么时间复杂度

时间复杂度是一个函数,它定性描述该算法的运行时间,在软件开发中,时间复杂度就是用来方便开发者估算出程序运行时间,通常用算法的操作单元数量来代表程序消耗的时间,这里默认CPU的每个单元运行消耗的时间都是相同的。假设算法的问题规模为n,那么操作单元数量便用函数f(n)来表示,随着数据规模n的增大,算法执行时间的增长率和f(n)的增长率呈现一定的关系,这称作为算法的渐近时间复杂度,简称时间复杂度,记为 O(f(n)),其中n指的是指令集的数目。

什么是大O

大O用来表示算法执行时间的上界,也可以理解为最差情况下运行的时间,数据量和顺序等情况对算法的执行时间有非常大的影响,这里假设的是某个输入数据用该算法运行的时间,比其他数据的运算时间都要长。

插入排序的时间复杂度我们都说是O(n^2) ,但是插入排序的时间复杂度和输入数据有很大的关系,假如输入数据是完全有序的,则插入排序的时间复杂度是O(n),假如输入的数据是完全倒序的,则时间复杂度是O(n^2),所以最坏是O(n^2) 的时间复杂度,我们说插入排序的时间复杂度为O(n^2)

快速排序是O(nlogn),快速排序的在最差的情况下时间复杂度是O(n^2) ,一般情况下是O(nlogn)所以严格从大O的定义来讲,快速排序的时间复杂度应该是O(n^2),但是我们依然说快速排序的时间复杂度是O(nlogn),这是业内默认的规定。

二分查找的时间复杂度是O(logn),每次二分数据规模减半,直到数据规模减少为 1,最后相当于求2的多少次方等于n,相当于分割了logn次。

归并排序的时间复杂度是O(nlogn),自顶而下的归并,从数据规模为n分割到1,时间复杂度是O(logn),然后不断向上归并的时间复杂度是O(n),总体时间复杂度是O(nlogn)

树的遍历复杂度一般是O(n)n是树的节点个数,选择排序时间复杂度是O(n^2),我们会在对应的章节逐步分析各个数据结构和算法的复杂度。更多的时间复杂度分析和推导可参阅主定理。

ds_118
ds_118

分析复杂度的一些规则

  • 多个时间复杂度相加,如果都是与n相关,则取取复杂度高的那一个,例如:O(nlogn + n) = O(nlogn),O(nlogn + n^2) = O(n^2)。

  • 多个时间复杂度相加,如果其中有些项的复杂度和n不相关则不能忽略任何项,例如:O(AlogA + B),O(AlogA + B^2)

  • 两个循环依次执行,则取复杂度高的那个,嵌套多个循环则需要累乘复杂度。

常见时间复杂度:

  • O(1):常数复杂度

    let n = 100;
    
  • O(logn):对数复杂度

    //二分查找非递归
    var search = function (nums, target) {
      let left = 0,
        right = nums.length - 1;
      while (left <= right) {
        let mid = Math.floor((left + right) / 2);
        if (nums[mid] === target) {
          return mid;
        } else if (target < nums[mid]) {
          right = mid - 1;
        } else {
          left = mid + 1;
        }
      }
      return -1;
    };
    
  • O(n):线性时间复杂度

    for (let i = 1; i <= n; i++) {
      console.log(i);
    }
    
  • O(n^2):平方

    for (let i = 1; i <= n; i++) {
      for (let j = 1; j <= n; j++) {
        console.log(i);
      }
    }
    
    for (let i = 1; i <= n; i++) {
      for (let j = 1; j <= 30; j++) { //嵌套的第二层如果和n无关则不是O(n^2)
        console.log(i);
      }
    }
    
  • O(2^n):指数复杂度

    for (let i = 1; i <= Math.pow(2, n); i++) {
      console.log(i);
    }
    
  • O(n!):阶乘

    for (let i = 1; i <= factorial(n); i++) {
      console.log(i);
    }
    
ds_4
ds_4

常见数据结构基础操作的时间复杂度

ds_5
ds_5
ds_6
ds_6

递归的时间复杂度

递归的时间复杂度和递归的深度有关

//递归了n层 时间复杂度O(n)
function sum2(n) {
  if (n === 0) {
    return 0;
  }
  return n + sum2(n - 1);
}
//二分查找 递归了logn层 O(logn)
var search = function (nums, target) {
    return search_interval(nums, target, 0, nums.length - 1)
};

function search_interval(nums, target, left, right) {
    if (left > right) {
        return -1
    }
    let mid = left + Math.floor((right - left) / 2);
    if (nums[mid] === target) {//判断目标值和中间元素的大小
        return mid
    } else if (nums[mid] < target) {//递归寻找目标元素
        return search_interval(nums, target, mid + 1, right)
    } else {
        return search_interval(nums, target, left, mid - 1)
    }
}
//斐波那契数:递归法求斐波那契数,总共递归了n层,二叉树的高度是n,由我们的基础知识可以知道,
//一个高度为n的二叉树最多可以有 2^n - 1 个节点,也就是递归过程函数调用的次数,所以时间复杂度为 O(2^n)。
//我们可以看到递归树中包涵非常多的重复计算。
//0, 1,1,2,3 ...
var fib = function (N) {
  if (N == 0) return 0;
  if (N == 1) return 1;
  return fib(N - 1) + fib(N - 2);
};

ds_3
ds_3
ds_203
ds_203

时间复杂度优化

  • 采用更好的算法:举例:1+2+3...n从1~n求和,直接循环法,for i->n: sum+=i ,我们也可以用求和公式: n(n+1)/2。在比如有些问题可以用二分查找等。
  • 空间换时间,时间是宝贵的,我们计算一个非常耗时的任务,可能要等上很久,突然的断电,或者意外情况可能会导致非常大的损失,空间是廉价的,最多我们购买更大内存的服务器,花钱就可以解决,在后面的章节有非常多的这样的例子,比如用setmap加快查找的速度,用二叉搜索树或者字典树加快字符串的搜索。

一个时间复杂度分析的例子

有一个字符串数组,将数组中的每个字符串按照字母排序,然后在将整个字符串数组按照字典顺序排序。求整个操作的时间复杂度。

假如我说时间复杂度是O(n*nlogn + nlogn) = O(n^2logn) 对吗,花时间思考一下。

我们来分析一下,假设最长字符串的长度是s,数组中有n个字符串,对每个字符串排序 O(slogs),将数组中的每个字符串按照字母排序O(n * slogs),将整个字符串数组按字典排序 O(s * nlogn),所以最后的时间复杂度是O(n * slogs) + O(s * nlogn) = O(nslogs + nslogn) = O(ns * (logs+logn))

空间复杂度

空间复杂度指的是算法在运行过程中所占存储空间的大小,空间复杂度(Space Complexity)记作S(n) ,依然使用大O来表示。利用程序的空间复杂度,可以对程序运行中需要多少内存有个预先估计。

常见的空间复杂度

  • 一维数组空间,如果存储了n个元素,空间复杂度O(n)
  • 二维数组空间,总共有n个数组,每个数组存储了n个元素,空间复杂度O(n^2)
  • 常数空间复杂度O(1)

递归的空间复杂度

//O(1)
function sum1(n) {
  let ret = 0;
  for (let i = 0; i <= n; i++) {
    ret += i;
  }
  return ret;
}

//O(n),递归了n层,递归栈空间是O(n)的复杂度
function sum2(n) {
  if (n === 0) {
    return 0;
  }
  return n + sum2(n - 1);
}

//O(logn),递归了logn层,递归栈空间是O(logn)的复杂度
var search = function (nums, target) {
    return search_interval(nums, target, 0, nums.length - 1)
};

function search_interval(nums, target, left, right) {
    if (left > right) {
        return -1
    }
    let mid = left + Math.floor((right - left) / 2);
    if (nums[mid] === target) {//判断目标值和中间元素的大小
        return mid
    } else if (nums[mid] < target) {//递归寻找目标元素
        return search_interval(nums, target, mid + 1, right)
    } else {
        return search_interval(nums, target, left, mid - 1)
    }
}


这篇关于搞定大厂算法面试之leetcode精讲2.时间空间复杂度的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!