算法的时间复杂度和空间复杂度.docxVIP

算法的时间复杂度和空间复杂度都是用大O 表示法，来表示的。其中O 是个常量。常见的 排序算法的时间复杂度： 排序的时间复杂度是O （n^2）； n）; 排序的空间复杂度是O （1）； 冒泡排序、插入排序、希尔排序、选择快速排序的时间复杂度是 O （n * log 空间复杂度： 冒泡排序、插入排序、希尔排序、选择 常见的 查找算法的时间复杂度： 快速排序的时间复杂度是 O （log ）n ; 线性结构的查找的时间复杂度，如 二分查找（用于已经排好序的数据，如已序的数组）；O(n) 非线性结构的查找的时间复杂度，如 二叉查找树 ；O （log n） 排序类别 时间复杂度 空间复杂度 稳定 插入排序 希尔排序 O(n2) O(n2) O(1) O(1) √ × //She（ll希尔）排序是基于插入排序的， 时间效率比插入、选择、冒泡高，但又比快速排序低点； 3 冒泡排序 O(n2) O(1) √ 4 选择排序 O(n2) O(1) × 5 快速排序 O(Nlogn) O(logn) × 6 堆排序 O(Nlogn) O(1) × 7 归并排序 O(Nlogn) O(n) √ 冒泡排序、插入排序、归并排序是稳定的，算法时间复杂度是O(n ^2)；选择排序、快速排序、堆排序、希尔排序都是 不稳定的； 算法的时间复杂度 一、 时间复杂度定义 定义：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)，它是 n 的某一函数T(n)称为这一算法的“时间复杂性”。 当输入量n 逐渐加大时，时间复杂性的极限情形称为算法的“渐近时间复杂性”。 二、大O 表示法 我们常用大 O 表示法表示时间复杂性，注意它是某一个算法的时间复杂性。大O 表示只是说有上界，由定义如果f(n)=O(n，) 那显然成立f(n)=O(n^2，) 它给你一个上界，但并不是上确界，但人们在表示的时候一般都习惯表示前者。此外，一个问题本身也有它的复杂性，如果 某个算法的复杂性到达了这个问题复杂性的下界，那就称这样的算法是最佳算法。 “大 O 记法 在: 这种描述中使用的基本参数是n，即问题实例的规模，把复杂性或运行时间 表达为n 的函数。这里的“O ”表示量级(order，) 比如说“二分检索是O(logn的) ”,也就是说 它需要“通过logn量级的步骤去检索一个规模为n 的数组”记法O ( f(n表) 示) 当n 增大时， 运行时间至多将以正比于f(n的) 速度增长。 这种渐进估计对算法的理论分析和大致比较是非常有价值的，但在实践中细节也可能造成差 异。例如，一个低附加代价的 O(n2)算法在 n 较小的情况下可能比一个高附加代价的O(nlogn) 算法运行得更快。当然，随着n 足够大以后，具有较慢上升函数的算法必然工作得更快。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。) 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)。 O(n^2) 2.1.交换 i和 j的内容 sum=0 ； （一次） for(i=1;i=n;i++) （n 次） for(j=1;j=n;j（++n)^2 次） sum++ ； （n^2 次） 解：T(n)=2n^2+n+1 =O(n^2) 2.2. for (i=1;in;i++) { y=y+1; ① for (j=0;j=(2*n);j++) x++; ② } 解： 语句 1 的频度是n-1 语句 2 的频度是(n-1)*(2n+1)=2n^2-n-1 f(n)=2n^2-n-1+(n-1)=2n^2-2 该程序的时间复杂度T(n)=O(n^2). O(n) 2.3. a=0; b=1; ① for (i=1;i=n;②i++) { s=a+b; ③ b=a; ④ a=s; ⑤ } 解： 语句 1 的频度：2, 语句 2 的频度：n, 语句 3 的频度：n-1, 语句 4 的频度：n-1, 语 句 5 的 频 度 ：n-1, T(n)=2+n+3(n-1)=4n-1=O(n). O(log2n ) 2.4. i=1; ① while (i=n) i=i*2②; 解：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, T(n)=O(log2n ) O(n^3) 2.5. for(i=0;in;i++) { for(j=0;ji;j++) { for(k=0;kj;k++) x=x+2; } } 解：当 i=m,