🍓 简介：java系列技术分享(👉持续更新中…🔥)
🍓 初衷:一起学习、一起进步、坚持不懈
🍓 如果文章内容有误与您的想法不一致,欢迎大家在评论区指正🙏
🍓 希望这篇文章对你有所帮助,欢迎点赞 👍 收藏 ⭐留言 📝🍓 更多文章请点击
文章目录
- 一、 什么是算法？
- 二、 算法初体验
- 案例1 计算1到100的和。
- 案例2 计算10的阶乘
- 三、 算法的复杂度分析
- 3.1 时间复杂度分析
- 3.1.1 案例 计算1到100的和,逐行解析
- 3.1.2 算法时间复杂度
- 3.1.2.1 大O记法
- 3.1.2.2. 最坏情况
- 3.2 空间复杂度分析
一、 什么是算法？
- 能够对一定规范的输入，在有限时间内获得所要求的输出
- 不同的算法可能用不同的时间、空间或效率来完成同样的任务。
- 一个算法的优劣可以用
空间复杂度与时间复杂度来衡量。
二、 算法初体验
一个优秀的算法追求以下两个目标：
- 花最少的时间完成需求
- 占用最少的内存空间完成需求
案例1 计算1到100的和。
第一种解法
public static void main(String[] args) {
int sum = 0;
int n=100;
for (int i = 1; i <= n; i++) {
sum += i;
}
System.out.println("sum=" + sum);
}
第二种解法
public static void main(String[] args) {
int sum = 0;
int n=100;
sum = (n+1)*n/2;
System.out.println("sum="+sum);
}
很明显，第二种算法完成需求，花费的时间更少一些。
案例2 计算10的阶乘
第一种解法
public class Test {
public static void main(String[] args) {
//测试，计算10的阶乘
long result = fun1(10);
System.out.println(result);
}
//计算n的阶乘
public static long fun1(long n){
if (n==1){
return 1;
}
return n*fun1(n-1);
}
}
第二种解法
public class Test {
public static void main(String[] args) {
//测试，计算10的阶乘
long result = fun2(10);
System.out.println(result);
}
//计算n的阶乘
public static long fun2(long n){
int result=1;
for (long i = 1; i <= n; i++) {
result*=i;
}
return result;
}
}
第一种解法，使用递归完成需求，fun1方法会执行10次，并且第一次执行未完毕，调用第二次执行…最终，最多的时候，需要在栈内存同时开辟10块内存分别执行10个fun1方法。
第二种解法，使用for循环完成需求，fun2方法只会执行一次，最终，只需要在栈内存开辟一块内存执行fun2方法即可。
很明显，第二种算法完成需求，占用的内存空间更小。
三、 算法的复杂度分析
3.1 时间复杂度分析
事后分析估算方法：
这种方法有很大的缺陷：必须依据算法实现编制好的测试程序，通常要花费大量时间和精力，测试完了如果发现测试的是非常糟糕的算法，那么之前所做的事情就全部白费了，并且不同的测试环境(硬件环境)的差别导致测试的结果差异也很大。
事前分析估算方法：
在计算机程序编写前，依据统计方法对算法进行估算,这包括对算法的时间复杂度进行分析，以了解算法随问题规模n的变化情况并确定其数量级。这种分析可以帮助程序员在编写代码之前预测代码的运行时间，从而更好地优化代码和数据结构，提高代码运行效率。
3.1.1 案例 计算1到100的和,逐行解析
第一种
如果输入量n为1亿，则需要计算1亿次；
public static void main(String[] args) {
int sum = 0;//执行1次
int n=100;//执行1次
for (int i = 1; i <= n; i++) {//执行了n+1次
sum += i;//执行了n次
}
System.out.println("sum=" + sum);
}
第二种
如果输入量n为1亿，则需要计算1次；
public static void main(String[] args) {
int sum = 0;//执行1次
int n=100;//执行1次
sum = (n+1)*n/2;//执行1次
System.out.println("sum="+sum);
}
经过一系列的研究,通过函数渐近增长分析,这里将结论总结如下:
比较算法随着输入规模的增长量时，可以有以下规则：
1.算法函数中的常数可以忽略；
2.算法函数中最高次幂的常数因子可以忽略；
3.算法函数中最高次幂越小，算法效率越高。
3.1.2 算法时间复杂度
3.1.2.1 大O记法
在进行算法分析时，语句总的执行次数T(n)是关于问题规模n的函数，进而分析T(n)随着n的变化情况并确定T(n)的量级。算法的时间复杂度，就是算法的时间量度，记作:T(n)=O(f(n))。它表示随着问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，称作算法的渐近时间复杂度，简称时间复杂度，其中f(n)是问题规模n的某个函数。
用大写O()来体现算法时间复杂度的记法，我们称之为大O记法。一般情况下，随着输入规模n的增大，T(n)增长最慢的算法为最优算法。
下面我们使用大O表示法来表示一些求和算法的时间复杂度：
如果忽略判断条件的执行次数和输出语句的执行次数，那么当输入规模为n时，以上算法执行的次数分别为：
算法一：3次
算法二：n+3次
算法三：n^2+2次
如果用大O记法表示上述每个算法的时间复杂度，应该如何表示呢？基于我们对函数渐近增长的分析，推导大O阶的表示法有以下几个规则可以使用：
-
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中，只保留高阶项； -
如果最高阶项存在，且常数因子不为1，则去除与这个项相乘的常数；
所以，上述算法的大O记法分别为：
算法一：O(1)
算法二：O(n)
算法三：O(n^2)
3.1.2.2. 最坏情况
有一个存储了n个随机数字的数组，请从中查找出指定的数字。
public int search(int num){
int[] arr={11,10,8,9,7,22,23,0};
for (int i = 0; i < arr.length; i++) {
if (num==arr[i]){
return i;
}
}
return -1;
}
最好情况：
查找的第一个数字就是期望的数字，那么算法的时间复杂度为O(1)
最坏情况：
查找的最后一个数字，才是期望的数字，那么算法的时间复杂度为O(n)
平均情况：
任何数字查找的平均成本是O(n/2)
最坏情况是一种保证，在应用中，这是一种最基本的保障，即使在最坏情况下，也能够正常提供服务，所以，除非特别指定，我们提到的运行时间都指的是最坏情况下的运行时间。
3.2 空间复杂度分析
计算机的软硬件都经历了一个比较漫长的演变史，作为为运算提供环境的内存，更是如此，从早些时候的512k,经历了1M，2M，4M…等，发展到现在的8G，甚至16G和32G，所以早期，算法在运行过程中对内存的占用情况也是一个经常需要考虑的问题。我么可以用算法的空间复杂度来描述算法对内存的占用。
1.基本数据类型内存占用情况：
| 数据类型 | 内存占用字节数 |
|---|---|
| byte | 1 |
| short | 2 |
| int | 4 |
| long | 8 |
| float | 4 |
| double | 8 |
| boolean | 1 |
| char | 2 |
- 由于现在的计算机设备内存一般都比较大，基本上个人计算机都是4G起步，大的可以达到32G，所以内存占用一般情况下并不是我们算法的瓶颈
注意，空间复杂度是衡量算法在运行过程中使用的内存大小，而不是指程序代码本身的大小。因此，在分析空间复杂度时，需要考虑算法在执行过程中所创建的临时变量、数据结构以及其他相关的内存使用情况。- 普通情况下直接说复杂度，
默认为算法的时间复杂度。 - 但是，如果你做的程序是嵌入式开发，尤其是一些传感器设备上的内置程序，由于这些设备的内存很小，一般为几kb，这个时候对算法的空间复杂度就有要求了，但是一般做java开发的，基本上都是服务器开发，一般不存在这样的问题。
后续持续更新............................
