什么是算法的大O表示法

做了这么多年的程序员 , 是不是一直靠着自己的聪明伶俐在编码 , 数据结构和算法是前辈们的心血和经验总结 , 不可错过 。
数据结构是利用其存储结构和逻辑结构来有效地组织数据 , 比如线性的表、栈、队列 , 非线性的树、图等 , 而算法是描述运算的过程 , 良好的算法是建立在有效的数据结构之上的 。
评价算法的指标评价一个算法的好坏 , 除了他正确性指标外 , 就是所消耗的时间和空间 。
为了方便计算所消耗的时间 , 需要先作2个假设:

算法与计算机的软硬件无关(硬件好理解 , 软件比如编程语言、执行器、编译器等);代码中的每个语句所消耗的时间都一样 , 记作一个时间单位;
举个例子
for (int i = 0; i < n; i++) { //①  for (int j = 0; j < n; j++) { //②    c[i][j] = 0; //③    for (int k = 0; k < n; k++) { //④      c[i][j] = a[i][k] + b[k][j] + c[i][j]; //⑤    }  }}计算它所消耗时间的过程如下
  • 语句①需要循环到i=n时才会完结 , 所以它耗费n+1个时间单位;
  • 语句②同语句① , 自己的的循环中耗费n+1个时间单位 , 但它在①的n次循环体内 , 所以消耗n*(n+1)个时间单位;
  • 语句③在语句①②循环体内 , 它们分别循环n次 , 所以语句③消耗n*n个时间单位;
  • 语句④同③ , 但它本身执行n+1 , 所以语句④消耗n*n*(n+1)个时间单位;
  • 语句⑤在语句①②④循环体内 , 它消耗n*n*n个时间单位;
所以总体消耗的时间为:n+1 + n*(n+1) + n*n+n*n*(n+1)+n*n*n=2n3+3n2+2n+1;
算法的时间复杂度上例最终消耗的时间可以用函数表示:T(n)=2n3+3n2+2n+1 , 但用这么长的算式评价算法的好坏过于繁冗 。实际上它是变量n的函数 , 表示随着n的增大影响着T(n)的增长率变化 , 化繁为简可进一步抽象为n的量级函数:T(n)=O(f(n) 。T(n)=2n3+3n2+2n+1的最大量级是n3 , 因此可简化为T(n)=O(n3) , 这就大O表示法 。
计算机科学经常用大O表示算法的复杂度或衡量性能 , 它主要用于描述在最坏的情况下所花费的时间和空间(内存或磁盘) 。
为了更形象 , 下面列举几个例子 , 根据计算消耗时间的方法很容易得出结果 。
O(1)O(1)表示算法的执行总是消耗相同的时间 , 比如
boolean isFirstElementEmpty(List<String> elements){  return elements.get(0).isEmpty();}O(n)O(n)表示算法的复杂度是线性增长的 , 与数据集的大小成正比 。
boolean ContainsValue(List<String> elements, String value) {  for (String element : elements) {    if (element.equals(value)) return true;  }  return false;}如果不用foreach , 使用for会更直观些
boolean ContainsValue(List<String> elements, String value) {  int n = elements.size();  for (int i = 0; i < n; i++) {    if (elements.get(i).equals(value)) return true;  }  return false;}它是消耗时间单位算式是1+n+1+n+1=2n+3 , 根据n的量级简化为大O表示即O(n) 。
O(n2)O(n2)表示算法的复杂度与数据集大小的平方成正比 , 一般的循环嵌套就是这种 , 随着嵌套的层级增加可能是O(n3)、O(n4)等 。
boolean ContainsDuplicates(List<String> elements) {  for (int i = 0; i < elements.size(); i++) {    for (int j = 0; j < elements.size(); j++) {      if (i == j) continue;      if (elements.get(i).equals(elements.get(j))) return true;    }  }  retrn false;}O(2n)O(2n)表示算法的复杂度与数据集大小成指数增长 , 比如递归


推荐阅读