算法之复杂度判断

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...

算法之复杂度判断

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;}
View Code

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:1nnn = 3n1 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:12*log2(n)log2(n) * (1 3n) = 13log2(n)3n*log2(n) for (var i = 1; i < n; i = i * 2){  //13n  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:12nn * (1 3n) = 13n3n^2 = 3n^23n1 for (var i = 0; i < n; i  ){  for (var j = 0; j < n; j  ){console.log("...testCount2...")  } }}
View Code

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

源文地址:https://www.guoxiongfei.cn/cntech/18419.html
0