预计阅读时间:10分钟
一、简介
随着计算机空间的发展,空间复杂度逐渐变得不那么重要了,但它在比赛中仍然存在。
推导方法:
用常数1取代运行时间中的所有加法常数。
在修改后的运行次数函数中,只保留最高阶项。
如果最高阶项系数存在且不是1,则去除与这个项目相乘的常数。得到的结果就是大O阶。
tips:O(1) < O(logN) < O(N) < O(N^2) < O(2^N)
二、样例讲解
1、常数 O(1) :
普通常量、变量、对象、元素数量与输入数据大小 N 无关的集合,皆使用常数大小的空间。
如以下代码所示,虽然函数 test() 调用了 N 次,但每轮调用后 test() 已返回,无累计栈帧空间使用,因此空间复杂度仍为 O(1) 。
void algorithm(int N)
{
for(int i=0; i<N; i++)
{
test();
}
}
2、线性 O(N)
元素数量与 N 呈线性关系的任意类型集合(常见于一维数组、链表、哈希表等),皆使用线性大小的空间。
如下面代码所示,此递归调用期间,会同时存在 N 个未返回的 algorithm() 函数,因此使用 O(N) 大小的栈帧空间。
int algorithm(int N)
{
if(N<=1)
{
return 1;
}
return algorithm(N-1)+1;
}
3、平方 O(N^2)
元素数量与 N 呈平方关系的任意类型集合(常见于矩阵),皆使用平方大小的空间。
如下面代码所示,递归调用时同时存在 N 个未返回的 algorithm() 函数,使用 O(N) 栈帧空间;每层递归函数中声明了数组,平均长度为 N/2 , 使用 O(N) 空间;因此总体空间复杂度为 O(N^2)。
int algorithm(int N) {
if (N <= 0) return 0;
int nums[N];
return algorithm(N - 1);
}
4、指数 O(2^N)
指数阶常见于二叉树、多叉树。例如,高度为 N 的「满二叉树」的节点数量为 2^N,占用 O(2^N) 大小的空间;同理,高度为 N 的「满 m 叉树」的节点数量为 m^N,占用 O(m^N) = O(2^N) 大小的空间。
5、对数 O(logN)
对数阶常出现于分治算法的栈帧空间累计、数据类型转换等,例如:
1.快速排序 ,平均空间复杂度为 Θ(logN) ,最差空间复杂度为 O(N) 。拓展知识:通过应用 Tail Call Optimization ,可以将快速排序的最差空间复杂度限定至 O(N)。
2.数字转化为字符串 ,设某正整数为 N ,则字符串的空间复杂度为 O(logN) 。推导如下:正整数 N 的位数为 log(10,N),即转化的字符串长度为 log(10,N) ,因此空间复杂度为 O(logN)。
参考文献:
空间复杂度_吕同学的头发不能秃的博客-CSDN博客_空间复杂度目录一、概念定义二、符号表示三、常见种类四、示例解析五、时空权衡一、概念定义空间复杂度涉及的空间类型有:输入空间: 存储输入数据所需的空间大小;暂存空间: 算法运行过程中,存储所有中间变量和对象等数据所需的空间大小;输出空间: 算法运行返回时,存储输出数据所需的空间大小;通常情况下,空间复杂度指在输入数据大小为 N 时,算法运行所使用的「暂存空间」+「输出空间」的总体大小。而根据不同来源,算法使用的内存空间分为三类:指令空间:编译后,程序指令所使用的内https://blog.csdn.net/m0_52711790/article/details/123012899 以上就是本文的全部内容啦!感谢阅读!