万字通俗讲解何为复杂度

摘要:复杂度分析主要就是时间复杂度和空间复杂度。

本文分享自华为云社区《用通俗的语言讲解复杂度》,作者: 龙哥手记 。

复杂度分析

复杂度分析是数据结构和算法中最重要的知识点,当然学这篇只是把门找到;反之,学不会它,你就永远找不到火门。

为什么复杂度分析会这么重要?

这个要从宇宙大爆炸,呃,从数据结构与算法的本身说起。

我平常白天做梦的时候,总想着当当咸鱼,最好能带薪拉屎就能赚大钱那种,数据结构与算法虽然没有俺这么高大尚的梦想,但是它的出现也是跟我一样总想在更少的时间及更少的存储来提高效率呗。

可以从哪些方面来入手呢铁子们,CPU与RAM的消耗时间啊,通信的带宽时间啊,指令的数量啊,这么多,我不学了不学,没事呀,我们可以总结一套模型在理论上针对不同算法的情况得出对应标准,复杂度这不就来了,你可以总结下,关于输入数据量n的函数,是吧。

搞清楚为什么,怎么定义

那咋去度量“更少的时间和更少的存储”,复杂度分析由此而生。

打个不恰当的比方

如果把数据结构与算法看做武功招式,那复杂度分析就是对应的心法。

如果只是学会了数据结构与算法的用法,不学复杂度分析,这就和你费尽千辛万苦在隔壁老王家次卧进门右手地砖下偷挖出老王答辩村里无敌手的村林至宝王霸拳,然鹅发现秘籍上只有招式,你却没学会隐藏的心法口诀。

铁汁:哇,厉害厉害厉害,你胖你说都对,但还是没必要学啊。
小希:???
铁汁:现在很多网站啊包啊,代码随便跑一下,就能轻轻松松知道多少时间占了多少内存啊,算法的效率不就轻松对比出来了么?
小希:。。。。

two羊吐森破,吃葡萄不吐葡萄皮!

你们说的这种主流叫做事后分析法。

简单来说,就是你需要提前写好算法代码和偏好测试数据,然后在计算机上跑,通过最后得出的运行时间判断算法时效的高低水平,这里的运行时间就是我们日常的时间。

我且不用“万一你费劲心思写好的算法代码本身是个很糟糕的写法”这种理由反驳你,事后统计法本身存在缺陷,它并不是一个对我们来说有用的度量指标:

首先,事后统计法太依赖计算机的软件和硬件等性能。代码在corei7处理器的就比corei5处理器的运算速度快,更不用说不同的操作系统,不同的编程语言等软件方面,就算在同一台电脑上,前面的条件都满足,当时的内存或者CPU的使用率也会造成运行时的差异。

举个例子,考察对全国人口普查数据的排序n=10^9n=109,使用冒泡排序(10^9)^2(109)2

对于普通电脑(1GHz10^9109flops)来说,大约需要10^9109秒(30年)。

对于天河1号超级计算机(千万亿次=1P,$10^15$flops),大约需要10^3103秒(20分钟)。

再者,事后统计法太依赖测试数据集的规模。同样是排序算法,你随便整5个10个数排序,就算最垃圾的排序,也看起来很快跟火箭一样,不好意思,那10w个100w个,那这些算法的差距就很大了,而且同样是10w个100w个数,顺序和乱序的所花费时间也不等。

那问题来了,到底测试数据集选多少才合适?数据的顺序如何订好多才行?

可以看出,我们需要一个不依赖性能和规模等外力影响就可以估算算法效率,判断算法优劣的度量指标,而复杂度分析天生就是干这个的,为了能自己分析,所以你必须理解要掌握

时间复杂度

算法的运行时间

对于某一问题的不同解决算法。运行时间越短算法效率越高,相反,运行时间越长,算法效率越低。

那么如何估计算法复杂度?

所有人撤退,我们很熟悉的大O闪亮登场!

大佬们甩掉脑阔上最后一根秀发的才发现,当用运行时间去描述一个算法快慢的时候,算法中执行的总步数显得尤为重要。

因为这只是估算,我们假设每一行代码的运行时间都为Btime(一个比特时间),那么算法的总的运行时间=运行的总代码行数。

下面我们看一段简单的代码。

代码1

//python

deflonggege_sum(m);
sum=0;

forlonggegeinrange(m);
sum+=longgege
returnsum;

在上面假设的情况下,这段求累加和的代码总的运行时间是多少呢?

第二行代码需要1Btime的运行时间,第4行和第5行分别运行了m次,所以每个需要m*Btime的运行时间,所以总的运行时间就是(1+2m)*Btime。

若我们用S函数来表示赋值语句的总运行时间,所以上面的时间可表达成S(m)=(1+2m)*Btime,说人话就是"数据集大小”为m,总的步数为(1+2m)的算法执行时间为S(m)"。

上面的公式得出,S(m)和总步数是成正比关系,这个规律很重要的,告诉了一个易懂的趋势,数据规模和运行时间之间有趋势!

可能你对数据规模还是没有概念,类比下

对于我们现在的家用计算机,如果想在1s之内解决问题:
O(n^2n2)的算法可以处理大约10^4104级别的数据
O(n)的算法可以处理大约10^8108级别的数据
O(nlogn)的算法可以处理大约10^7107级别的数据

大O表示法

什么是大O

很多铁子说时间复杂度的时候你都知道O(n),O(n^2n2),但是说不清什么是大O

算法导论给出的解释:大O用来表示上界的,上界意思说对任意数据输入的算法最坏情况或叫最长运行时间。

拿插入排序来讲,它的时间复杂度我们都说是O(n^2),假如数据本来有序的情况下时间复杂度是O(n),也就对于所有输入情况来说,最坏是O(n^2)的时间复杂度,所以称插入排序的时间复杂度为O(n^2)。

就是想告诉你,同一个算法的时间复杂度不是一成不变的,和输入的数据形式依然有关系,数据用例不一样,时间复杂度也是不同的,这个要铭记住。还有平时面试官和我们探讨一个算法的实现以及性能,指的通常是理论情况下的时间复杂度。

铁子:我读书少,你可别骗我,你这还是有些抽象啊,而且你这适用所有的算法吗,未必吧

小希:你很有精神,你知道前n项和怎么算不。

铁子:这个我们初中老师讲过的,等差可以算

小希:你就看好下面,这段码

举栗子

//计算1+2+3+....+n的和
intsum=0

for(inti=1;i<=n;i++){
sum+=i
}

可以看到循环了n次吧,所以时间复杂度就是O(n),即时间复杂度就是本程序计算的次数。

假如我们自己修改后的运行次数函数中,我们只去保留最高阶项

如果最高阶存在且不是1,则去除与这个项相乘的常数,是如下表达式:

2n^2+3n+1->n^2

所以时间复杂度为n^2n2

你可能疑问,为啥会去掉这些值,请看下图

当计算量随着次数原来越大的时候,n和1的区别不是太大,而n^2n2曲线变得越来越大,所以这也是2n^2n2+3n+1->n^2n2最后会估量成n^2n2的原因,因为3n+1随着计算次数变大,基本可以忽略不计。

铁子:就这,你来个稍微复杂点的吧

安排

//利用sums方法求三部分和
//java
publicstaticintsums(intn){

intnum1=0;
for(intlongege1=1;longege1<=n;longege1++){
num1=num1+longege1;
}

intnum2=0;
for(intlongege2=1;longege2<=n;longege2++){
for(inti=0;i<=n;i++){
num2=num2+longege2;
}
}

intnum3=0;
for(intlongege3=1;longege3<=n;longege3++){
for(inti=0;i<=n;i++){
for(intj=0;j<=n;j++){
num3=num3+longege3;
}
}
}

returnnum1+num2+num3;
}

上面这段是求三部分的和,经过之前的学习应该很容易知道,第一部分的时间复杂度是O(n),第二部分的时间复杂度是O(n^2n2),第三部分是O(n^3n3)。

正常来讲,这段代码的S(n)=O(n)+O(n^2n2)+O(n^3n3),按照我们按“主导”部分,显然前面两个兄弟都直接帕斯掉,最终S(n)=O(n^2n2)。

通过这几个例子,聪明的铁子们肯定会发现,对于时间复杂度分析来说,只要找出“主导”作用的部分代码即可,这个主导就是最高的那个复杂度,也就是执行次数最多的那部分n的量级。

剩下的就是多加练习,有意识的多去练多去想,就可以和我一样帅气稳啦。

我来介绍几种几种阶~

常数阶O(1)

functiontest($n){
echo$n;
echo$n;
echo$n;
}

没有循环的,不管$n是多少,它只运行3次,那么时间复杂度就是O(3),取为O(1)

线性阶O(n)

for($i=1;$i<=$n;$i++){
$sum+=$i
}

熟悉的平(立)方阶:o(n^2n2)/o(n^3n3)

$sum=0;
for($i=1;$i<=$n;$i++){
for($j=1;$j<$n;$j++){
$sum+=$j
}
}

两次循环,里面循环执行了n次,外层循环也执行了n次,所以时间复杂度为O(n^2),立方阶一样

特殊平方阶:O(n^2n2/2+n/2)->O(n^2n2)

for(){
for(){
.....----------->n^2
}
}
+
for(){
------------>n
}

+

echo$a+$b-------------->1

所以整体上计算次数为n^2+n+1,我们算时间复杂度为O(n^2)

对数阶:O(log2n)

intlongege=1

while(longege<m){
longege=longege*2;
}

还是根据之前讲的,我们先找“主导”,在里面主导就是最后一行,只要算出它的时间复杂度,这段的时间复杂度就知道了。

这段说人话就是,乘多少个2就会>=m?

假设需要y个,那么相当于求:

$2^y=m$

即

y=log2m

所以上述代码的时间复杂度应该为O(log2m)。

但是这种对数复杂度来说,不管你是以2,3为底,还是以20为底,通通记作(logn)。这就要从对数的换底公式说起。

除了数据集规模会影响算法的运行时间外,“数据的具体情况”也会影响运行时间。

我们来看这么一段代码:

publicstaticintfind_word(int[]arr,Stringword){

intflag=-1;
for(inti=0;i<=arr.length;i++){
if(arr[i]==word){
flag=i;
}

break;
}

returnflag;
}

上面这段简单代码是要求字符变量word在数组arr中出现的位置,我用这段来解释“数据的具体情况”是什么意思。

变量word可能出现在数组arr的任意位置,假设a=[‘a’,‘b’,‘c’,‘d’]:

  • 当word=‘a’,正好是列表中的第1个,后面的不需要在遍历,那么本情况下的时间复杂度是O(1)。
  • 当word=‘d’或者word=‘e’,这两种情况是整个列表全部遍历完,那么这些情况下的时间复杂度是O(n)。

根据不同情况,我们有了最好情况时间复杂度,最坏情况时间复杂度和平均情况时间复杂度这三个概念。

下面看一段代码,我们分别从最好和最坏的情况下去分析其时间复杂度。

//n表示数组array的长度
intfind(int[]array,intn,intx){
inti=0;
intpos=-1;
for(inti=0;i<n;i++){
if(array[i]==x){
pos=i;
}
}

returnpos;
}

这段代码的功能是,在一个无序的数组中,查找变量x出现的位置。如果没有找到就返回-1。笼统的分析一下:核心代码执行了n次,所以其时间复杂度是O(n),其中,n代表数组的长度。

代码简单优化一下:可以在中途找到符合条件的元素时,提前结束循环。

//n表示数组array的长度
intfind(int[]array,intn,intx){
inti=0;
intpos=-1;
for(;i<n;i++){
if(array[i]==x){
pos=i;
break;
}
}
returnpos;
}

优化完之后的代码就不能简单粗暴的说其时间复杂度就是O(n)了。因为,遍历可能在数组下标为0~n-1中的任何一个下标所指向的元素中结束循环,是不是很神奇。继续往下分析:

  1. 假设,数组中第一个元素正好是要查找的变量x,显而易见那时间复杂度就是O(1)。
  2. 假设,数组中不存在变量x,那我们就需要把整个数组遍历一遍,时间复杂度就成了O(n)。

所以,在不同的情况下,这段代码的时间复杂度是不同的。

这几个概念从我相信你从字面意思也能理解,最好时间复杂度就是,在最理想的情况下,执行这段代码的时间复杂度。对应假设1。时间复杂度就是O(1)。

同理,最坏时间复杂度就是,在最糟糕的情况下,执行这段代码的时间复杂度。对应假设2。时间复杂度就是O(n)。

平均时间复杂度

首先先来说它,又叫“加权平均时间复杂度”,为什么叫加权呢?是不是很奇怪,因为,通常计算平均时间复杂度,需要把概率考虑进去,也就是,我们计算平均时间复杂度的时候,需要一个“加权值”,来真正的计算平均时间复杂度。

我们整个代码例子,对平均时间复杂度进行分析:

//n表示数组array的长度
intfind(int[]array,intn,intx){

inti=0;
intpos=-1;
for(;i<n;++i){
if(array[i]==x){
pos=I;
break;
}
}

returnpos;
}

代码很简单,表示在一个数组中,要找到x这个数,最好复杂度是O(1),最坏是O(n)。

那平均复杂度是怎么计算呢?

先说简单的平均值计算公式:

上面的代码,所有查找x的时间相加:1+2+3+······+n+n(这个n表示当x不存在时遍历array需要的次数),另外,需要查找的次数为n+1次,那么结果就是:

代入大O表达式,结果是O(n)。

这个公式表达的是:计算所有可能出现的情况之和,然后除以可能出现的情况的次数。说白了,这是一个绝对平均的结果。表示每个结果都可能出现n+1次。

这是一个较为粗暴的假设。

如果稍微使用一个简单的概率来计算呢?

这里有2个概率:

x变量是否在数组中的概率,有2种情况——在与不在,所以,他的概率是1/2;

x变量出现在数组的概率,有n种情况,但只会出现一次,所以是1/n。

我们把两个概率进行相乘,结果是1/(2n).这个数,就是“加权值”。

如何使用加权值对上面代码的“复杂度”进行计算?

然后,我们在这公式上把(n+1)换成“权重”:也就是1/2n。

结果为3n+1/4。这个也就是“加权后的平均时间复杂度”,表示,执行了1+2+····+n+n次的“加权平均值”。

如果使用大O表示法,去除系数,常数,低阶,那么他的最终结果就是O(n)。

可以看到,前者使用的是分母没有做任何权重的措施,仅仅是简单的n+1,而后者,我们做了简单的权重计算,认为出现的概率不是n+1,而是1/2n。

可以说,加权值,是为了在前者的基础上,,目的是更加的准确。也就是说,要计算准确的平均时间复杂度,就需要准确的计算这个“权重值”,而权重值会受到数据范围,数据种类影响。因此需要在实际操作中,进行调参。

简单来说,就拿“x变量是否在数组中的概率”这个值来说,不一定是1/2,如果有这样一组数据{y,s,f,f,g,x,g,h},那么,他的概率还是1/2吗,实际上只有1/8,所以,还是得根据实际情况来。

均摊时间复杂度

啊这,听起来和平均时间复杂度有点熟悉呢。但是均摊时间复杂度的应用场景比平均时间复杂度更加特殊、更加有限。下面看一段代码:

//array表示一个长度为n的数组
//代码中的array.length就等于n

staticint[]array=newint[]{1,2,3,4,5};
staticintcount=2;
publicstaticvoidinsert(intval){

//数组没有空闲空间的情况
if(count==array.length){
intsum=0;
for(inti=0;i<array.length;i++){
sum=sum+array[i];
}
array[0]=sum;
count=1;
System.out.println("array.length:::"+array.length+"sum:"+sum);
}

//数组有空闲空间的情况
array[count]=val;
count++;
System.out.println("count!=array.length:"+array.length+",,,count::"+count);
for(inti=0;i<array.length;i++){

System.out.println("array["+i+"]="+array[i]);
}
}

上面实现了向一个数组中插入数据的功能。当数组满了之后,也就是代码中的count==array.length时,我们用for循环遍历数组求和,并清空数组,将求和之后的sum值放到数组的第一个位置,然后再将新的数据插入。但如果数组一开始就有空闲空间,则直接将数组插入数组。

现在分析一下这段代码的时间复杂度,最理想的情况下,数组中有空闲空间,我们只需要将数据插入到下标为count的位置就可以了,所以最好情况时间复杂度为O(1)。最坏的情况下,数组中没有空闲空间了,我们需要先做一次数组的遍历求和,然后再将数据插入,所以最坏情况时间复杂度为O(n)。

接着我们按上面的方法分析一下平均时间复杂度。假设数组的长度是n,根据插入数据的位置不同,我们可以分为n种情况,每种情况的时间复杂度是O(1)。此外,还有一种:“额外”的情况,就是在数组没有空闲空间插入一个数据,这个时候的时间复杂度是O(n)。而且,这n+1中情况发生的概率是一样的,都是1/(n+1)。

其实,这个例子里的平均复杂度分析并不需要这么复杂,不需要使用概率的知识。我们先来对比一下这个insert()的例子和上面的find()的例子,二者的区别如下:

  • 区别一:

首先,find()函数在极端情况下,复杂度才为O(1)。但insert()在大部分情况下,时间复杂度都为O(1)。只有个别情况下,复杂度才比较高哦,为O(n)。这是两者间的第一个区别。

  • 区别二:

对于insert()函数来说,O(1)时间复杂度的插入和O(n)时间复杂度的插入,出现的频率是非常有规律的,而且有一定的前后时序关系,一般都是一个O(n)插入之后,紧跟着n-1个O(1)的插入操作,循环往复而已。

所以,针对这样一种特殊场景的复杂度分析,我们不需要像之前平均复杂度分析方法那样,找出所有的输入情况及相应的发生概率,然后再计算加权平均值,这种就没必要。

针对这种特殊的场景,我们引入一种更加简单的分析方法:摊还分析法,通过摊还分析得到的时间复杂度叫做均摊时间复杂度。

那究竟如何使用摊还分析法来分析算法的均摊时间复杂度呢?

继续看这个insert()的例子。每一次O(n)的插入操作,都会跟着n-1次O(1)的插入操作,所以把耗时多的那次操作均摊到接下来的n-1次耗时少的操作上,均摊下来,这一组连续的操作的均摊时间复杂度就是O(1)。这就是均摊分析的大致思路,可以吧?

对一个数据结构进行连续操作中,大部分情况下时间复杂度都很低,只有个别情况下时间复杂度比较高,而且这些操作之间存在前后连贯的时序关系,这个时候我们就可以把这一组操作放在一起来分析,看是否能将较高时间复杂度那次操作的耗时,平摊到其他那些时间复杂度比较低的操作上。而且,在能够应用均摊时间复杂度分析的场合,一般均摊时间复杂度就约等于最好情况时间复杂度。

总之,均摊是平均时间复杂度的极限情况

均摊时间复杂度可能不是很好理解,尤其是与平均时间复杂度的区别。但是,我们可以将其理解为一种特殊的平均时间复杂度。最主要的还是应该掌握它的分析方法,这种思想而已。

之所以引入这几个复杂度的概念,是因为,我们在同一段代码,在不同输入的情况下,复杂度量级有可能是不一样的。在引入这几个概念之后,我们可以更加全面的表示一段代码的执行效率。

平时大家更多的关心是最好的时间复杂度,这没错,提高时间效率吗没错

但

我觉得更关心最坏情况而不是最好情况,理由如下:

(1)最坏情况它能给出算法执行时间的上界,这样可以确信,无论给什么输入,算法的执行时间都不会超过这个上界,这样为比较和分析心里有个底。

(2)最坏情况是种悲观估计,但是对于很多问题,平均情况和最坏情况的时间复杂度相差不多,比如插入排序这个例子,平均情况和最坏情况的时间复杂度都是输入长度n的二次函数。

空间复杂度

空间复杂度跟时间复杂度相比,你需要掌握的内容不多。
也是一样,它也是描述的一种趋势,只不过这趋势是代码在运行过程中临时变量占用的内存空间。

嗯?临时吗

代码在计算机中的运行的存储占用,主要分成3部分

  • 代码本身所占用的
  • 输入数据所占用的
  • 临时变量所占的

前两个它自己就是要必须占用空间,与代码的性能就没关系,所以最后衡量代码的空间复杂度,只关心在运行过程中临时占用的内存空间。

怎么算?

R(n)=O(f(n))

空间复杂度记作R(n),表示形式与时间复杂度S(n)一致。

分析下

下面我们用一段简单代码来理解下空间复杂度。

//python
deflongege_ListSum(n):

let=[]
foriinrange(n):
let.append(i)
returnlet

上面这段中明显有两个临时变量let和i

let是建了一个空列表,这个列表占的内存会随着for循环的增加而增加,最大到n结束,所有呢,let的空间复杂度是O(n),i是存元素位置的常数阶,和规模n已经没有关系了,所以这段代码的空间复杂度为O(n)。

我们再来看下它

//java
publicstaticvoidlongege_ListSum(n){

int[]arr1=newint[0];
for(inti=0;i<=n;i++){
intarr2=newint[0];

for(intj=0;j<=n;j++){
arr1.apend(arr2);
}
}

returnarr1;
}

还是一样的分析方式,很明显上面这的代码手动创建了一个二维数组arr1,一维占用n^2n2,所以它就是这段代码的空间复杂度啦。

那二分法是多少

intselect(inta[],intk,intlen)
{
intleft=0;
intright=len-1;
while(left<=right)
{
intmid=left+((right-left)>>2);
if(a[mid]==k)
{
return1;
}
elseif(a[mid]>k)
{
right=mid-1;
}
else
{
left=mid+1;
}
}
returnNULL;
}

代码中的k、len、a[]所分配的空间都不随着处理数据量变化,因此它的空间复杂度S(n)=O(1)

顺便说下

在最坏的情况下循环x次后找到,n/(2^x2x)=1;x=log2n;它的时间复杂度就是log2n。

在斐波那契数求空间复杂度的过程中,需要去考虑函数栈帧的过程,比如当我们求第五个斐波那契数的时候,这时候需要先开辟空间存放第四个数,然后再开辟空间存放第三个数;当开辟空间到第二个和第一个数的时候,第三个数得到结果并返回到第四个数中,第四个数的值已知后返回到第五个数,过程里面,最大占用空间即为层数减一。

开辟空间的大小最多等于层数+1,也就是说求第N个斐波那契数,空间复杂度即为O(N)。

递归算法的时间复杂度

1)一次递归调用,如果递归函数中,只进行一次递归调用,并且递归深度是depth,那么每个递归函数,它的时间复杂度为T,则总体的时间复杂度为O(T*depth)。

比如说,二分搜索法的递归深度是logn(每次都是对半分),则复杂度是O(Tlogn)。

总结个公式就是,递归的时间复杂度=递归总次数*每次递归的次数,空间复杂度=递归的深度(即树的高度)

2)两次递归调用(关注递归调用次数)

我们先看下面这个例子

intf(intn){
assert(n>=0);

if(n==0)
return1;
else
returnf(n-1)+f(n-1);
}

怎样才能知道它的递归次数呢,我们可以画一棵递归树,再把树的节点数出来

可以看到,这是指数级的算法,很慢很慢的!但这在我们的搜索领域是有很大的意义的。

但是我们的高级排序算法如,归并,快排也是2次递归调用,但时间复杂度只有O(nlogn)级别,那是因为

1)上面的深度为n,而高级排序的深度都只有logn;

2)在高级排序算法中我们在每个节点处理的数据规模是组件缩小的。

斐波那契数列的优化

斐波那契数列循环算法:
//时间复杂度:O(n)
//空间复杂度:O(1)
longlongFib(longN)
{
	longlongfirst=1;
	longlongsecond=1;
	longlongret=0;
	inti=3;
	for(;i<=N;++i)
	{
		ret=first+second;
		first=second;
		second=ret;
	}
	returnsecond;
}
intmain()
{
	printf("%u\n",Fib(50));
	system("pause");
	return0;
 
}
//斐波那契数列递归算法:
//时间复杂度:O(2^n)
//空间复杂度:O(n)
longlongFib(longlongN)
{
	return(N<3)?1:Fib(N-1)+Fib(N-2);
}

intmain()
{
	printf("%u\n",Fib(1,1,50));
	system("pause");
	return0;
}

注意:

斐波那契数列的时间复杂度为二叉树的个数;

斐波那契数列的时间复杂度为函数调用栈的次数即二叉树的深度。

//斐波那契尾递归算法:(优化)
//时间复杂度:O(n)
//空间复杂度:O(n)
longlongFib(longlongfirst,longlongsecond,intN)
{
	if(N<3)
	{
		return1;
	}
	if(N==3)
	{
		returnfirst+second;
	}
	returnFib(second,first+second,N-1);
}

使用矩阵乘方的算法再次优化斐波那契数列算法。

staticintFibonacci(intn)
{
if(n<=1)
returnn;

int[,]f={{1,1},{1,0}};
Power(f,n-1);

returnf[0,0];
}

staticvoidPower(int[,]f,intn)
{
if(n<=1)
return;

int[,]m={{1,1},{1,0}};

Power(f,n/2);
Multiply(f,f);

if(n%2!=0)
Multiply(f,m);
}

staticvoidMultiply(int[,]f,int[,]m)
{
intx=f[0,0]*m[0,0]+f[0,1]*m[1,0];
inty=f[0,0]*m[0,1]+f[0,1]*m[1,1];
intz=f[1,0]*m[0,0]+f[1,1]*m[1,0];
intw=f[1,0]*m[0,1]+f[1,1]*m[1,1];

f[0,0]=x;
f[0,1]=y;
f[1,0]=z;
f[1,1]=w;
}

优化之后算法复杂度为O(log2n)。

请背下来

算法刷题过程中,我们会遇到各种的时间复杂度,但就算你代码变出花来,几乎也逃不出下面几种常见的时间复杂度。

上表中的时间复杂度是由上往下依次增加,所以O(1)效率最高,O(n)和O(n^2n2)这两个前面已经说过了,上表最后一个效率低的离谱,以后要是不幸碰到我了在提一下,就不细说。

可能有些朋友还是疑惑,现在计算机硬件性能越来越强了,我们为啥还这么重视时间复杂度呢?

问的很好,我们可以用几个栗子来对比下,看下之间它们有多大的差距。

有100个人站在你面前,你一眼就发现了你喜欢的她。

如果换成10000个,结果并没有什么区别。

这就是O(1)有100个人站在你面前,你得一个一个看过去,才能找到你的女神。无论你用什么顺序看,我总有一种办法,把你的女神放在你最后看到的那个。如果换成10000个,你就有了100倍的工作量。

这就是O(n)

假如现在有100个人站在你面前,脸盲的你得两两结对、一对一对观察,才能找到唯一的一对双胞胎。同上,我总是可以把双胞胎放在你最后找到的一对。你至多一共要观察4950对。

如果换成10000个,那就是49995000对,也就是10100倍的工作量

这就是O(n²)

有128个人站在你面前,你要把他们按照高矮排序——我们假设用归并来解——你先把他们分成两个64人的大队,每个大队分成两个32人的中队,每个中队分成……直到最后每一个“小小…小队”只剩一个人。显然,一个人一定是已经排好序的。

然后反向操作,将刚刚拆分的队伍合并起来。合并队伍的时候,由于已经排好序,只需要取出两队排头进行比较,就找到了最矮的一个,取出来——如此进行下去,合成的两倍大的队伍也将是有序的。显然,这个合并操作,是O(n)的。总共的比较次数,不会超过两个队伍的总人数。

最后的问题只是,有多少次“分割-合并”操作。每次分割数量都减半,很明显是7次。由此看来,大致需要执行7×128次操作。

这就是O(nlogn)

不同的时间复杂度,差距是明显的。

数据结构的时间复杂度

排序算法的时间复杂度

算法稳定性什么意思?如果排序前两个相等的数据其在序列中的先后位置顺序与排序后它们两个先后位置顺序相同,我们说算法具有稳定性,有什么意义呢?如果排序的算法是稳定的,第一个次排序的结果和关键字段可以为第二个次排序所用。

最后,算法和性能的关系,衡量一个算法的好坏,主要通过数据量大小来评估时间和空间,这些最后都直接会影响到程序性能,一般空间利用率小的,所需时间相对较长。所以性能优化策略里面经常听到空间换时间,时间换空间这样说法。

到这里,复杂度分析就全部讲完啦,只要你认真看完这篇文章,相信你会对复杂度分析有个基本的认识。复杂度分析本身不难,记得平时写代码的时候遇到问题有意识多估计一下自己的代码,感觉就会就会越来越熟悉的。

点击关注,第一时间了解华为云新鲜技术~

相关推荐

鸿蒙案例上新啦 | 购物、听歌、健身:15个模板带你一键激活社交娱乐

页面层级如何组织、跨页共享状态如何同步、列表与详情及个人中心如何形成稳定闭环。鸿蒙开发实践中心将这些高频消费与互动场景沉淀为可参考的标准模板,提供从业务架构到界面实现的快捷实践入口。更多实战案例欢迎前往鸿蒙开发实践中心案例中心查看并开启云端体验。

华为云官方博客 391

鸿蒙案例上新啦 | 出门打车、到家上课:25个模板带你一屏打通日常生活

如何合理拆分页面组件、如何建立单一可信的状态源、如何让用户在每一步操作中都获得明确反馈。鸿蒙开发实践中心以标准化的应用与元服务模板为入口,将清晰的业务架构与可复用的代码结构直观呈现。不妨立即挑选一个感兴趣的方向进入云端环境,从页面布局、组件封装、状态管理到路由组织,亲手跑通你的鸿蒙实战项目。

华为云官方博客 362

LakeAgent:DWS数据仓库的第二大脑,告别 “翻译式运维”,迈入智能自治时代

和普通 SQL 改写工具不同,LakeAgent 自动做多方案代价对比,主动规避负优化陷阱:补充分区键过滤实现剪枝,扫描分区由 37 收敛至 1,执行代价从 758.28 降至 113.74;未来的数据仓库,将不止能算、能存,更能看懂自己、诊断自己、理解自己。长久以来,数仓的智能都依附于人:信号需要人解读,瓶颈需要人研判,经验困在个体里,无法随底座永续生长。CPU 高、CPU 告警、CPU 诊断、CPU 使用率过高、CPU 满。语法、错误码、计费、性能调优、最佳实践、故障处置等全场景内容。

华为云官方博客 583

如何使用RDS Supabase后端BaaS能力:文件存储(File Storage)

• product-images(公开桶,允许公共读取):策略名称"Public read for product-images",允许SELECT,目标角色anon,策略定义bucket_id = 'product-images'。上传/删除需另配INSERT/DELETE策略,详见SQL。• product-specs(私有桶,仅认证用户访问自己的文件夹):建议拆为上传、读取、删除三条策略,策略定义均为 bucket_id = 'product-specs' 且仅限本人文件夹(详见下文 SQL)。

华为云官方博客 501

如何使用RDS Supabase后端BaaS能力:实时订阅与推送(Realtime)

Realtime 把数据库的每次变更同步到客户端:表里增、删、改一行,订阅者无需刷新页面或主动请求即可秒级收到。三大能力各司其职:• Postgres Changes — 监听表的 INSERT/UPDATE/DELETE,变化即通知• Broadcast — 客户端之间直接互发,适合瞬时通知、协同编辑• Presence — 跟踪频道里“谁在线”典型场景有实时数据展示(订单、库存、监控指标即时刷新)、即时通讯(消息收发、在线名单、“对方正在输入”)、协同编辑与实时通知。

华为云官方博客 492

AI Agent如何通过MCP连接到华为云RDS Supabase应用平台

Schema元数据列出所有可访问的表(按schema分组)。Schema元数据列出表的列及元数据(类型/默认值/约束)。Schema元数据列出所有约束(PK/FK/UNIQUE/CHECK/EXCLUDE)。可按schema/表/类型过滤。Schema元数据列出所有外键关系。可按schema/表过滤。Schema元数据列出所有索引及定义和大小。可按schema/表过滤。Schema元数据列出已应用的数据库迁移记录。Schema元数据列出已安装的PostgreSQL扩展。

华为云官方博客 496

华为大数据Flink让每一 CU 算力,跑出开源 5.74 倍的性能

1. 开源Apache Flink 已成为业界流计算事实标准,但在极端重负载场景下存在性能瓶颈。2. 华为大数据Flink通过多项自研深度优化,在执行计划、算子执行、状态存储三个层面构建协同的优化体系。3. Nexmark Benchmark 测试结果:整体性能提升 5.74 倍,极端重负载场景性能领先最高 18.3 倍。4. 100% 兼容 Apache Flink 1.20,业务代码零改造,无缝迁移。

华为云官方博客 400

LakeAgent实战 | 业务分析篇从一句提问到业务分析

本文以“订单金额变化”分析为例,展示LakeAgent如何通过自然语言提问,结合DataArtsStudio的数据资产与专业技能,帮助业务人员快速定位数据、生成SQL、追踪血缘、生成报告。从问题出发,逐步实现数据发现、变化洞察、原因追溯与团队协作,最终形成可复用的分析流程与企业规则,显著提升数据分析效率与一致性。

华为云官方博客 406

华为云RDS Supabase AI应用已开放公测 :30分钟搭建AI应用后端

认证、存储、实时推送、数据库API——4个后端模块,传统开发需要数周。今天,你只需要30分钟。AI创业公司的全栈开发工程师。上周老板说"下周要上线的AI对话应用,后端你来搞"——认证鉴权、数据库接口、文件存储、实时推送,每一个模块都需要数周搭建,而市场不会等你。小张打开华为云RDS Supabase,30分钟搭好认证、数据库API、对象存储,剩下的时间全用来打磨AI交互体验。基于开源Supabase+华为云RDS PostgreSQL全托管能力,为开发者提供。

华为云官方博客 413

如何使用RDS Supabase后端BaaS能力:数据库函数(Database Function)

上一篇介绍了 Database Data API——建表即自动生成增删改查接口,解决单表读写,但聚合统计、跨表事务、字段自动维护等逻辑已超出其能力边界。本篇推进到数据库函数(Database Function):把业务逻辑封装进数据库,前端通过 .rpc() 调用,由触发器自动响应数据变更。上一篇中,小张基于 Data API 完成了产品目录的建表与基础读写。但新需求随之而来:按分类统计产品数与价格区间、上架新品同时写产品表与定价表、产品修改后自动刷新更新时间。

华为云官方博客 479

如何使用RDS Supabase后端BaaS能力:创表即生成API(Database Data API)

认证、存储、实时推送、数据库API——4个后端模块,传统开发要数周。本系列逐个拆解,首篇聚焦数据库API(Database Data API):建表即得 API,无需手写后端。小张,AI创业公司的全栈工程师。老板让他做个产品目录页,展示产品与价格、支持上下架。传统做法要搭后端、写接口、配权限,工期少说1-2周;而在华为云RDS Supabase,建两张表、应用 SDK 直连,几分钟增删改查全跑通。

华为云官方博客 490

从一句话到一个能出去的链接,AI开发者空间做了什么

自行搭建的 Agent、正在使用的开源项目、团队既有的工具,都可以接入,可以通过AI创建或者手动搭建环境;华为云 AI开发者空间——面向开发者的云端一站式开发平台,做的就是把这段路接上:环境免安装,浏览器打开即为完整的 Linux 运行环境,预置的 AI 智能体开箱即用。第一个任务建议选能出结果的:做一个游戏、生成一个页面、创建一台实例,从需求走到可访问的链接,一次就能看清这个环境在做什么。沙箱是一个完整的 Linux 环境,依赖、服务、端口都是真实的,不是模拟。环境释放后,权限随之失效。

华为云官方博客 437

华为云码道配置自定义大模型,四种方式完整实操

案例介绍。

华为云官方博客 653

图数据库:实现穿透式监管的数据基座

穿透式监管标志着国企监管从“管企业”向“管资本”转型过程中的关键一跃。而图数据库正是这一跃的技术支点。从股权穿透到资金链穿透,从供应链穿透到数据穿透,华为GES图数据库正在将“穿透式监管”从理念变为可落地、可操作的实践。无论是天眼查式的全量链路查询,还是某集团财经的税务规则判断,抑或是芯片供应链式的部件风险分析,乃至通过Palantir构建决策知识图谱,其底层逻辑都是一致的——用图的力量,穿透一切形式的“隔离层”,直抵风险本质与责任核心。

华为云官方博客 671

《公共云三十问》正式收官,奔赴企业AI百场景新征程

今年6月底,公共云产业联盟重点推出《公共云三十问》专栏,以每周三问的节奏,连载十周,解读《先进公共云》白皮书,分享国计民生系列案例,旨在凝聚共识、推动落地实践。同时,专栏分析公共云在产业升级、民生福祉、科技创新、全球发展等方面的作用,梳理中国特色公共云发展路径:以普惠云拓展用云广度,以智算云提升用云深度,以自主云夯实用云厚度,以全球云打开用云跨度。这十问从专属云、行业云切入,深入政务、金融、交通、电力、钢铁、化工、油气、制造等国计民生场景,回答公共云“怎么用”。

华为云官方博客 476

开发者小技巧|IAM配置,让码道代码智能体连续30天免登录

案例介绍。

华为云官方博客 652

码道深度对接CodeArts,让需求自动落地为代码

案例介绍。

华为云官方博客 725

【公共云三十问 之三十】拥抱AI,企业如何建设面向智能体的专属云?

企业可分阶段建设覆盖开发、运行、运营及安全的一体化智能体平台——从构建一站式、高低码协同的智能体开发平台,到打造高性能、极致弹性的运行时环境,再到搭建AgentOps驱动的持续运营与运维体系,同时构建端到端、多层次的全链路安全防护体系。在数据湖建设方面,遵循“存量复用、平滑演进、AI导向、分步迭代”原则,分三阶段推进——打造AI多模数据湖核心能力、完成存算分离与统一元数据管理、实现闭环赋能全面支撑智能体规模化落地,在保护既有投资的前提下将传统数据平台转型为AI数据专属供给平台。

华为云官方博客 826

【公共云三十问 之二十九】国计民生之制造:制造云如何重塑数智时代的新质生产力?

平台打通软件交付的完整路径,覆盖需求管理、代码托管、代码检查、编译构建、制品仓库、部署、测试等关键环节,支持大模型能力融入研发全流程,实现从需求到交付的端到端管理。通过构建“研发一朵云”,方案打破地域与组织壁垒,实现跨团队协同开发,有效缩短软件交付周期,助力工业制造企业从“传统研发”走向“敏捷研发”,加速数智化转型进程。当制造云真正成为数据流通的平台、AI创新的底座,公共云的社会价值将从基础设施层向生产场景层持续延伸,为新型工业化建设和制造强国战略注入源源不断的动力,重塑数智时代的中国制造新质生产力。

华为云官方博客 799

告别重复手工迁仓,码道MCP+Skill实现仓库批量迁移

案例介绍。

华为云官方博客 796

【公共云三十问 之二十八】国计民生之油气:智算云如何叩响数智时代的“地心蓝金”?

西南油气田以“向地球深部要资源”为战略方向,联合以华为云Stack为代表的公共云服务商共同打造统一算力底座,建设西南区域数据湖与通用技术平台,构建“勘探开发工程技术、天然气生产过程管控、天然气产运储销”等三个一体化协同应用场景,支撑油气勘探、开发生产、管输储运等全业务链的数智化转型。当智算云真正成为数据流通的平台、AI创新的底座,油气田得以将算力效能、数据价值与智能技术深度融入勘探开发全链条,将“看不见的算力”转化为“摸得着的储量”,以智能化手段持续降低勘探风险、缩短发现周期、提高采收效率,确保生产安全。

华为云官方博客 613

【公共云三十问 之二十七】国计民生之化工:数智云如何重塑传统化工新范式?

在架构方面,方案构建云边协同的统一体系,涵盖AI协同、数据协同与运营协同三大维度——总部集中训练大模型,边缘节点负责推理执行,云边持续迭代,实现“边用边学”的智能闭环,模型平均精度提升20%以上。此外,方案提供一站式企业级工业物联网平台、数据湖与数据治理平台,覆盖工业数据分析“采、存、算、管、用”全流程,打通生产现场与管理系统间的数据壁垒,有效消除数据孤岛。层面,方案充分发挥软硬协同优势,实现计算、存储、网络与云平台的深度协同,训练线性度超95%,为大模型训练推理提供强劲算力支撑。▲化工“数智”新模式。

华为云官方博客 666

【公共云三十问 之二十六】国计民生之钢铁:数智云如何淬炼中国钢铁新力量?

同时,构建云边端协同的统一架构,支撑集团总部与各生产基地两级协同发展——总部集中训练大模型,边缘节点负责推理执行,云边持续迭代,实现训推一体化的资源调度与高效协同,为钢铁行业的数智化转型构建了坚实的算力底座。层面,方案构建覆盖“工业数采→边缘IT/OT融合→统一数据湖→数据治理平台→数据应用”全链路的一站式数据治理与流通平台,打通生产现场与管理系统间的数据壁垒,让数据“采得到、流得动、用得好”,加速数据价值从生产现场向经营决策层流动释放。湘潭钢铁集团的钢铁数智云,是钢铁工业智能云建设的标杆案例。

华为云官方博客 526

LakeWatch——MRS 智能运维Agent

从资源池、队列、作业等多个维度,对集群CPU与内存资源进行精细化分析与对比,直观呈现不同时间段的空闲、满载等使用状态,识别资源浪费,指导治理优化,为扩缩容决策提供数据支撑。对HDFS存储进行多维度深度分析(目录、用户、用户组等),涵盖使用量、增量、文件大小分布及数据热度等指标,帮助快速识别增长较快的目录、长期未访问的文件,统计目录文件数量与小文件占比,评估HDFS总存储量与扩缩容需求,为存储治理与资源规划提供全面数据支撑。Agent主动巡检,识别异常趋势并提前预警,让运维从"事后处理"转向"事前预防"。

华为云官方博客 518

华为云专题文档发布:丰富的AI案例、选型指导和概念解读

发布 “云服务选型”、“云计算概念”专题,提供云服务选型指导,助您选择匹配业务的云服务,解读云计算相关概念,开启云上学习之路。开发者工具和文档专区上线,提供从学习、实践到反馈的全链路支持。帮助中心新增100余篇AI案例。

华为云官方博客 286

一个人,也能用AI做点“星东西”

华为云星耀创想者大赛-2026华为云OPC创意大赛等你来~

华为云官方博客 294

从需求到可执行工作项:MCP+Skill 让智能体规划真正落地

回顾整个体验,以前让智能体帮我拆需求,它是洋洋洒洒给我列了一大篇 Markdown,看着挺像那么回事,但最后还是得我一条条往 CodeArts Req 里搬,搬完再手动挂父子关系、排日期,拆需求五分钟,搬运两小时。现在好了,MCP 给智能体接上了"手",Skill 给它装上了"项目经理的脑子",一句话下去,34 个工作项连带排期、层级关系全给我建好了,甘特图一拉,齐刷刷都在两周内,节省了多少工作量啊,美滋滋。本次实操在码道代码智能体基础上,构建了一套"需求→可执行工作项"的自动化规划方案。

华为云官方博客 580

华为云码道「码力续航计划」更新!

✅上新GLM‑5.3‑Flash,高速响应,代码生成、工程解析、Agent调试高效输出。新增GLM‑5.3‑Flash福利模型,每日解锁1000万免费Tokens。● 本次活动共发放总量价值100万元Tokens,发完即止!把耗算力的编码重活,交给华为云码道代码智能体🚀🚀。● 每日额度准时刷新,当日清零、次日满血重置。✅复杂算法、大项目解析、批量代码生成随便跑。✅不用抠额度、不用算消耗,放开调试大胆迭代。✅无需额外操作,登录即送,直接切换模型使用。● 把算力交给码道,让撸码不再内耗👏🏻。

华为云官方博客 699

【公共云三十问 之二十四】国计民生之交通:交通云如何铺就数智通衢新坦途?

交通行业作为支撑实体经济的关键基础设施,涵盖公路、铁路、机场、港口、地铁等众多子领域,其中,公路网络作为综合交通运输体系的基础骨架,承担着全国超过70%的客货运量,其数字化、智能化转型的需求尤为迫切。方面,提供Agent开发框架、知识库管理、RAG工程、意图识别、静态应用编排及模型评测等能力,支持客户将行业知识、业务流程与AI能力深度融合,快速构建面向收费稽核、路网调度、应急处置等场景的智能应用。开发并实现落地应用,全面覆盖建设、管理、养护、运营、服务、安全、办公七大业务领域。

华为云官方博客 466

【公共云三十问 之二十五】国计民生之电力:电力云如何点亮数智电力新引擎?

方案构建了覆盖数据获取、质量评估到标准化处理的全链路能力。基于公共云服务商智算底座及气象大模型,通过时空图神经网络重新建模产流机制,中国华电建成超50TB多源融合数据集,突破时空建模与机理融合等五大关键技术,短期径流预测精度较传统机理模型提升5个百分点以上,实现15天中期径流预测精度超85%,推理效率达秒级。基于气象大模型的基础架构与预训练能力,客户可直接在大模型之上开展增量训练与微调,充分利用场站所在区域的高精度历史数据(如3公里、1公里分辨率),针对不同场站和区域的地形地貌与气候特征进行模型调优。

华为云官方博客 382
上一篇: OpenHarmony移植案例与原理:如何适配服务启动引导部件bootstrap_lite
下一篇: 盘一盘常见的6种索引失效情况
华为云开发者联盟
华为云开发者联盟 企业官方账号 企业官方账号
博客等级 码龄10年 72万+粉丝 5985原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值