色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

算法時空復雜度分析實用指南(下)

jf_78858299 ? 來源:labuladong ? 作者:labuladong ? 2023-04-19 10:35 ? 次閱讀

遞歸算法分析

對很多人來說,遞歸算法的時間復雜度是比較難分析的。但如果你有 框架思維,明白所有遞歸算法的本質是樹的遍歷,那么分析起來應該沒什么難度。

計算算法的時間復雜度,無非就是看這個算法做了些啥事兒,花了多少時間。而遞歸算法做的事情就是遍歷一棵遞歸樹,在樹上的每個節點所做一些事情罷了。

所以:

遞歸算法的時間復雜度 = 遞歸的次數 x 函數本身的時間復雜度

遞歸算法的空間復雜度 = 遞歸堆棧的深度 + 算法申請的存儲空間

或者再說得直觀一點:

遞歸算法的時間復雜度 = 遞歸樹的節點個數 x 每個節點的時間復雜度

遞歸算法的空間復雜度 = 遞歸樹的高度 + 算法申請的存儲空間

函數遞歸的原理是操作系統維護的函數堆棧,所以遞歸棧的空間消耗也需要算在空間復雜度之內,這一點不要忘了。

首先說一下動態規劃算法 ,還是拿前文 動態規劃核心框架 中講到的湊零錢問題舉例,它的暴力遞歸解法主體如下:

int dp(int[] coins, int amount) {
    // base case
    if (amount == 0) return 0;
    if (amount < 0) return -1;

    int res = Integer.MAX_VALUE;
    // 時間 O(K)
    for (int coin : coins) {
        int subProblem = dp(coins, amount - coin);
        if (subProblem == -1) continue;
        res = Math.min(res, subProblem + 1);
    }

    return res == Integer.MAX_VALUE ? -1 : res;
}

amount = 11, coins = [1,2,5]時,該算法的遞歸樹就長這樣:

圖片

剛才說了這棵樹上的節點個數為O(K^N),那么每個節點消耗的時間復雜度是多少呢?其實就是這個dp函數本身的復雜度。

你看dp函數里面有個 for 循環遍歷長度為Kcoins列表,所以函數本身的復雜度為O(K),故該算法總的時間復雜度為:

O(K^N) * O(K) = O(K^(N+1))

當然,之前也說了,這個復雜度只是一個粗略的上界,并不準確,真實的效率肯定會高一些。

這個算法的空間復雜度很容易分析:

dp函數本身沒有申請數組之類的,所以算法申請的存儲空間為O(1);而dp函數的堆棧深度為遞歸樹的高度O(N),所以這個算法的空間復雜度為O(N)

暴力遞歸解法的分析結束,但這個解法存在重疊子問題,通過備忘錄消除重疊子問題的冗余計算之后,相當于在原來的遞歸樹上進行剪枝:

// 備忘錄,空間 O(N)
memo = new int[N];
Arrays.fill(memo, -666);

int dp(int[] coins, int amount) {
    if (amount == 0) return 0;
    if (amount < 0) return -1;
    // 查備忘錄,防止重復計算
    if (memo[amount] != -666)
        return memo[amount];

    int res = Integer.MAX_VALUE;
    // 時間 O(K)
    for (int coin : coins) {
        int subProblem = dp(coins, amount - coin);
        if (subProblem == -1) continue;
        res = Math.min(res, subProblem + 1);
    }
    // 把計算結果存入備忘錄
    memo[amount] = (res == Integer.MAX_VALUE) ? -1 : res;
    return memo[amount];
}

通過備忘錄剪掉了大量節點之后,雖然函數本身的時間復雜度依然是O(K),但大部分遞歸在函數開頭就立即返回了,根本不會執行到 for 循環那里,所以可以認為遞歸函數執行的次數(遞歸樹上的節點)減少了,從而時間復雜度下降。

剪枝之后還剩多少節點呢?根據備忘錄剪枝的原理,相同「狀態」不會被重復計算,所以剪枝之后剩下的節點數就是「狀態」的數量,即memo的大小N

所以,對于帶備忘錄的動態規劃算法的時間復雜度,以下幾種理解方式都是等價的:

遞歸的次數 x 函數本身的時間復雜度
= 遞歸樹節點個數 x 每個節點的時間復雜度
= 狀態個數 x 計算每個狀態的時間復雜度
= 子問題個數 x 解決每個子問題的時間復雜度
= O(N) * O(K)
= O(NK)

像「狀態」「子問題」屬于動態規劃類型問題特有的詞匯,但時間復雜度本質上還是遞歸次數 x 函數本身復雜度,換湯不換藥罷了。反正你愛怎么說怎么說吧,別把自己繞進去就行。

備忘錄優化解法的空間復雜度也不難分析:

dp函數的堆棧深度為「狀態」的個數,依然是O(N),而算法申請了一個大小為O(N)的備忘錄memo數組,所以總的空間復雜度為O(N) + O(N) = O(N)

雖然用 Big O 表示法來看,優化前后的空間復雜度相同,不過顯然優化解法消耗的空間要更多,所以用備忘錄進行剪枝也被稱為「用空間換時間」。

如果你把自頂向下帶備忘錄的解法進一步改寫成自底向上的迭代解法:

int coinChange(int[] coins, int amount) {
    // 空間 O(N)
    int[] dp = new int[amount + 1];
    Arrays.fill(dp, amount + 1);

    dp[0] = 0;
    // 時間 O(KN)
    for (int i = 0; i < dp.length; i++) {
        for (int coin : coins) {
            if (i - coin < 0) continue;
            dp[i] = Math.min(dp[i], 1 + dp[i - coin]);
        }
    }
    return (dp[amount] == amount + 1) ? -1 : dp[amount];
}

該解法的時間復雜度不變,但已經不存在遞歸,所以空間復雜度中不需要考慮堆棧的深度,只需考慮dp數組的存儲空間,雖然用 Big O 表示法來看,該算法的空間復雜度依然是O(N),但該算法的實際空間消耗是更小的,所以自底向上迭代的動態規劃是各方面性能最好的。

接下來說一下回溯算法 ,需要你看過前文回溯算法秒殺排列組合問題的 9 種變體,下面我會以標準的全排列問題和子集問題的解法為例,分析一下其時間復雜度。

先看標準全排列問題 (元素無重不可復選)的核心函數backtrack

// 回溯算法計算全排列
void backtrack(int[] nums) {
    // 到達葉子節點,收集路徑值,時間 O(N)
    if (track.size() == nums.length) {
        res.add(new LinkedList(track));
        return;
    }

    // 非葉子節點,遍歷所有子節點,時間 O(N)
    for (int i = 0; i < nums.length; i++) {
        if (used[i]) {
            // 剪枝邏輯
            continue;
        }
        // 做選擇
        used[i] = true;
        track.addLast(nums[i]);
        backtrack(nums);
        // 取消選擇
        track.removeLast();
        used[i] = false;
    }
}

nums = [1,2,3]時,backtrack其實在遍歷這棵遞歸樹:

圖片

假設輸入的nums數組長度為N,那么這個backtrack函數遞歸了多少次?backtrack函數本身的復雜度是多少?

先看看backtrack函數本身的時間復雜度,即樹中每個節點的復雜度。

對于非葉子節點,會執行 for 循環,復雜度為O(N);對于葉子節點,不會執行循環,但將track中的值拷貝到res列表中也需要O(N)的時間, 所以backtrack函數本身的時間復雜度為O(N)

PS:函數本身(每個節點)的時間復雜度并不是樹枝的條數。看代碼,每個節點都會執行整個 for 循環,所以每個節點的復雜度都是O(N)

再來看看backtrack函數遞歸了多少次,即這個排列樹上有多少個節點。

第 0 層(根節點)有P(N, 0) = 1個節點。

第 1 層有P(N, 1) = N個節點。

第 2 層有P(N, 2) = N x (N - 1)個節點。

第 3 層有P(N, 3) = N x (N - 1) x (N - 2)個節點。

以此類推,其中P就是我們高中學過的排列數函數。

全排列的回溯樹高度為N,所以節點總數為:

P(N, 0) + P(N, 1) + P(N, 2) + ... + P(N, N)

這一堆排列數累加不好算,粗略估計一下上界吧,把它們全都擴大成P(N, N) = N!那么節點總數的上界就是O(N*N!)

現在就可以得出算法的總時間復雜度:

遞歸的次數 x 函數本身的時間復雜度
= 遞歸樹節點個數 x 每個節點的時間復雜度
= O(N*N!) * O(N)
= O(N^2 * N!)

當然,由于計算節點總數的時候我們為了方便計算把累加項擴大了很多,所以這個結果肯定也是偏大的,不過用來描述復雜度的上界還是可以接受的。

分析下該算法的空間復雜度:

backtrack函數的遞歸深度為遞歸樹的高度O(N),而算法需要存儲所有全排列的結果,即需要申請的空間為O(N*N!)所以總的空間復雜度為O(N*N!)

最后看下標準子集問題 (元素無重不可復選)的核心函數backtrack

// 回溯算法計算所有子集(冪集)
void backtrack(int[] nums, int start) {

    // 每個節點的值都是一個子集,O(N)
    res.add(new LinkedList<>(track));

    // 遍歷子節點,O(N)
    for (int i = start; i < nums.length; i++) {
        // 做選擇
        track.addLast(nums[i]);
        backtrack(nums, i + 1);
        // 撤銷選擇
        track.removeLast();
    }
}

nums = [1,2,3]時,backtrack其實在遍歷這棵遞歸樹:

假設輸入的nums數組長度為N,那么這個backtrack函數遞歸了多少次?backtrack函數本身的復雜度是多少?

先看看backtrack函數本身的時間復雜度,即樹中每個節點的復雜度。

backtrack函數在前序位置都會將track列表拷貝到res中,消耗O(N)的時間,且會執行一個 for 循環,也消耗O(N)的時間, 所以backtrack函數本身的時間復雜度為O(N)

再來看看backtrack函數遞歸了多少次,即這個排列樹上有多少個節點。

那就直接看圖一層一層數唄:

第 0 層(根節點)有C(N, 0) = 1個節點。

第 1 層有C(N, 1) = N個節點。

第 2 層有C(N, 2)個節點。

第 3 層有C(N, 3)個節點。

以此類推,其中C就是我們高中學過的組合數函數。

由于這棵組合樹的高度為N,組合數求和公式是高中學過的, 所以總的節點數為2^N

C(N, 0) + C(N, 1) + C(N, 2) + ... + C(N, N) = 2^N

就算你忘記了組合數求和公式,其實也可以推導出來節點總數:因為N個元素的所有子集(冪集)數量為2^N,而這棵樹的每個節點代表一個子集,所以樹的節點總數也為2^N

那么,現在就可以得出算法的總復雜度:

遞歸的次數 x 函數本身的時間復雜度
= 遞歸樹節點個數 x 每個節點的時間復雜度
= O(2^N) * O(N)
= O(N*2^N)

分析下該算法的空間復雜度:

backtrack函數的遞歸深度為遞歸樹的高度O(N),而算法需要存儲所有子集的結果,粗略估算下需要申請的空間為O(N*2^N)所以總的空間復雜度為O(N*2^N)

到這里,標準排列/子集問題的時間復雜度就分析完了,前文 回溯算法秒殺排列組合問題的 9 種變體中的其他問題變形都可以按照類似的邏輯分析,這些就留給你自己分析吧。

最后總結

本文篇幅較大,我簡單總結下重點:

1、Big O 標記代表一個函數的集合,用它表示時空復雜度時代表一個上界,所以如果你和別人算的復雜度不一樣,可能你們都是對的,只是精確度不同罷了。

2、時間復雜度的分析不難,關鍵是你要透徹理解算法到底干了什么事。非遞歸算法中嵌套循環的復雜度依然可能是線性的;數據結構 API 需要用平均時間復雜度衡量性能;遞歸算法本質是遍歷遞歸樹,時間復雜度取決于遞歸樹中節點的個數(遞歸次數)和每個節點的復雜度(遞歸函數本身的復雜度)。

好了,能看到這里,真得給你鼓掌。需要說明的是,本文給出的一些復雜度都是比較粗略的估算,上界都不是很「緊」,如果你不滿足于粗略的估算,想計算更「緊」更精確的上界,就需要比較好的數學功底了。不過從面試筆試的角度來說,掌握這些基本分析技術已經足夠應對了。

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • API
    API
    +關注

    關注

    2

    文章

    1499

    瀏覽量

    61965
  • 數據結構
    +關注

    關注

    3

    文章

    573

    瀏覽量

    40123
  • 遞歸
    +關注

    關注

    0

    文章

    28

    瀏覽量

    9013
  • 動態規劃算法

    關注

    0

    文章

    6

    瀏覽量

    1625
收藏 人收藏

    評論

    相關推薦

    基于紋理復雜度的快速幀內預測算法

    【正文快照】:0引言幀內編碼利用相鄰像素塊之間的相關[1]來減少視頻圖像的空間冗余,提高了編碼效率。但是在H.264/AVC的幀內預測采用全搜索算法中,為了確定一個宏塊的最優預測模式,要遍歷色度塊和亮度塊的17種預測模式,計算率失真代價值的并比較大小,是造成H.264運
    發表于 05-06 09:01

    時間復雜度是指什么

    原理->微機原理->軟件工程,編譯原理,數據庫數據結構1.時間復雜度時間復雜度是指執行算法所需要的計算工作量,因為整個算法的執行時間與基本操作重復執行的...
    發表于 07-22 10:01

    各種排序算法的時間空間復雜度、穩定性

    各種排序算法的時間空間復雜度、穩定性一、排序算法分類:二、排序算法比較:注:1、歸并排序可以通過手搖算法將空間
    發表于 12-21 07:48

    LDPC碼低復雜度譯碼算法研究

    在描述置信傳播(BP)譯碼算法基礎上, 研究和分析了兩種降低復雜度的譯碼算法。Min.Sum 算法主要討論了簡化校驗節點的消息更新運算,并應
    發表于 03-31 15:22 ?7次下載
    LDPC碼低<b class='flag-5'>復雜度</b>譯碼<b class='flag-5'>算法</b>研究

    基于復雜度分析的改進A_算法飛行器航跡規劃_叢林虎

    基于復雜度分析的改進A_算法飛行器航跡規劃_叢林虎
    發表于 03-17 15:11 ?0次下載

    圖像復雜度對信息隱藏性能影響分析

    算法進行實驗,研究圖像的復雜度差異對信息隱藏性能的影響。實驗結果表明了所提復雜度評價方法的有效性以及復雜度分類的合理性,依據圖像復雜度準則對
    發表于 11-14 09:57 ?5次下載

    虛擬MIMO中低復雜度功率分配算法

    一種基于線性注水原理的低復雜度功率分配算法。該算法通過快速排除信道條件較差的協作用戶,并利用各協作用戶功率值之間的線性遞推關系式,將最優功率分配算法中的迭代運算轉化為線性運算,在實現功
    發表于 03-09 15:22 ?1次下載
    虛擬MIMO中低<b class='flag-5'>復雜度</b>功率分配<b class='flag-5'>算法</b>

    如何求遞歸算法的時間復雜度

    那么我通過一道簡單的面試題,模擬面試的場景,來帶大家逐步分析遞歸算法的時間復雜度,最后找出最優解,來看看同樣是遞歸,怎么就寫成了O(n)的代碼。
    的頭像 發表于 07-13 11:30 ?2260次閱讀

    如何求遞歸算法的時間復雜度

    相信很多同學對遞歸算法的時間復雜度都很模糊,那么這篇Carl來給大家通透的講一講。
    的頭像 發表于 07-13 11:33 ?1606次閱讀

    算法之空間復雜度

    算法之空間復雜度:衡量一個算法運行需要開辟的額外空間
    的頭像 發表于 08-31 10:29 ?1600次閱讀

    常見機器學習算法的計算復雜度

    時間復雜度不是測量一個算法或一段代碼在某個機器或者條件運行所花費的時間。時間復雜度一般指時間復雜性,時間
    發表于 10-02 12:45 ?812次閱讀

    算法時空復雜度分析實用指南1

    我以前的文章主要都是講解算法的原理和解題的思維,對時間復雜度和空間復雜度分析經常一筆帶過,主要是基于以下兩個原因:
    的頭像 發表于 04-12 14:37 ?509次閱讀
    <b class='flag-5'>算法</b><b class='flag-5'>時空</b><b class='flag-5'>復雜度</b><b class='flag-5'>分析</b>實用<b class='flag-5'>指南</b>1

    算法時空復雜度分析實用指南2

    類似的,想想之前說的數據結構擴容的場景,也許`N`次操作中的某一次操作恰好觸發了擴容,導致時間復雜度提高,但總的時間復雜度依然保持在`O(N)`,所以均攤到每一次操作上,其平均時間復雜度依然是`O(1)`。
    的頭像 發表于 04-12 14:38 ?528次閱讀
    <b class='flag-5'>算法</b><b class='flag-5'>時空</b><b class='flag-5'>復雜度</b><b class='flag-5'>分析</b>實用<b class='flag-5'>指南</b>2

    算法時空復雜度分析實用指南(上)

    本文會篇幅較長,會涵蓋如下幾點: 1、Big O 表示法的幾個基本特點。 2、非遞歸算法中的時間復雜度分析。 3、數據結構 API 的效率衡量方法(攤還分析)。
    的頭像 發表于 04-19 10:34 ?811次閱讀
    <b class='flag-5'>算法</b><b class='flag-5'>時空</b><b class='flag-5'>復雜度</b><b class='flag-5'>分析</b>實用<b class='flag-5'>指南</b>(上)

    如何計算時間復雜度

    1 算法與時間復雜度 算法(Algorithm)是求解一個問題需要遵循的,被清楚指定的簡單指令的集合。 算法一旦確定,那么下一步就要確定該算法
    的頭像 發表于 10-13 11:19 ?2974次閱讀
    如何計算時間<b class='flag-5'>復雜度</b>
    主站蜘蛛池模板: 在线播放午夜理论片| 国产SUV精品一区二区69| 蜜桃99影院| 992交通广播| 啪啪后入内射日韩| 被同桌摸出水来了好爽的视频| 欧美成人无码视频午夜福利 | 久久精品123| 在线观看免费小视频| 美国一级黄色| WWWXXXX兽交| 色综合精品无码一区二区三区| 大胆国模一区二区三区伊人 | mxgs-877痉挛媚药按摩| 日本老师xxxxx18| 国产精品爽爽久久久久久蜜桃| 色窝窝亚洲AV在线观看| 国产精品无码AV天天爽色欲| 亚洲国产精品无码中文在线| 久久国产高清字幕中文| 5566av资源| 色婷婷99综合久久久精品| 国产精品爽爽久久久久久蜜桃网站 | 久久影院午夜理论片无码| 99福利影院| 翁用力的抽插| 两个奶头被吃得又翘又痛| BL全肉多攻NP高H| 亚洲高清中文字幕免费| 久青草国产观看在线视频 | 久久 这里只精品 免费| 2019伊人查蕉在线观看| 天天插天天射天天干| 精品一区二区三区在线成人| 扒开小处30p| 亚洲激情网站| 女人爽得直叫免费视频| 国产综合无码一区二区色蜜蜜| 3DNagoonimation动漫| 息与子在线交尾中文字幕| 美女爽到嗷嗷嗷叫|