深度学习 计算复杂性代码 算法复杂度题目

大O表示法

用O(n)来体现算法时间复杂度的记法被称作大O表示法。一般我们我们评估一个算法都是直接评估它的最坏的复杂度。

推导大O阶

推导大O阶有一下三种规则：

1. 用常数1取代运行时间中的所有加法常数
2. 只保留最高阶项
3. 去除最高阶的常数

常见算法复杂度样例

常数阶

int sum = 0, n = 10; // 语句执行一次 
int sum = (1+n)*n/2; // 语句执行一次 
cout << "The sum is : " << sum << endl; //语句执行一次

这样的一段代码它的执行次数为 3 ，然后我们套用规则1，则这个算法的时间复杂度为 O(1)，也就是常数阶。

x=91; 
y=100;
while (y>0) {
    if (x>100) {
        x=x-10;
        y–;
    } else {
        x++;
    } 
}

如上的代码看上去很大，实际的 T(n) = O(1) 。因为总共循环运行了 1000 次，但是这段程序的运行是和 n 无关的，所以只是一个常数阶的。

对数阶

int number = 1; // 语句执行一次 
while (number < n) { // 语句执行logn次
    number *= 2; // 语句执行logn次
}

上面的算法中，number 每次都放大两倍，我们假设这个循环体执行了 m 次，那么

即 m = logn，所以整段代码执行次数为 1 + 2*logn，则 f(n) = logn，时间复杂度为 O(logn)。

线性阶

int i = 0; // 语句执行一次 
while (i < n) { // 语句执行n次 
    cout << "Current i is " << i << endl; //语句执行n次
    i++; // 语句执行n次
}

这个算法中代码总共执行了 n 次，根据规则 2，因此该算法的时间复杂度是 O(n)。

线性对数阶

for (int m=1; m<n; m++) {
    int i = 1;
    while (i<n) {
        i = i * 2;
    }
}

该算法的时间复杂度是 O(nlogn)。

平方阶

for (int i = 0; i < n; i++) { // 语句执行n次 
    for (int j = 0; j < n; j++) { // 语句执行n^2次 
        cout << "I am here!" << endl; // 语句执行n^2
    }
}

上面的嵌套循环中，代码共执行

，则

。所以该算法的时间复杂度为

。

立方阶

for (int i = 0; i < n; i++) { // 语句执行n次 
    for (int j = 0; j < n; j++) { // 语句执行n^2次 
        for (int k = 0; k < n; k++) { // 语句执行n^3次 
            cout << "I am here!" << endl; // 语句执行n^3
        }
    }
}

上面的嵌套循环中，代码共执行

，则

。所以该算法的时间复杂度为

。

指数阶

function f(n) {
    if (n==0) {
        return 1;
    }
    return f(n-1) + f(n-1)
}

如果 n=0，f(n)执行为 1 次。

如果 n=1，f(n)执行了 f(0)+f(0)=2 次。

如果 n=2，f(n)执行了 f(1)+f(1)=f(0)+f(0)=4 次。

如果 n=3，f(n)执行了 f(2)+f(2)=f(1)+f(1)=8 次。

如果 n=4，f(n)执行了 f(3)+f(3)=f(2)+f(2)=16 次。

以此类推。当 n 趋向无穷大的时候，我们可以推导出

。所以该算法的时间复杂度为

。类似的斐波那契数列的时间复杂度也是

。下面借用一个别人绘制的图片说明。

阶乘阶

待举例。

这类算法的时间复杂度为

。

总结

常见时间复杂度的比较

O(1) < O(logn) < O(n) < O(nlogn) < O(n²) < O(n³) < O(2ⁿ) < O(n!)