第10章引入了大O表示法的概念。它的確切含義是什麼?它用於描述算法的性能和複雜程度。
分析算法時,時常遇到以下幾類函數:
符號
名稱
O(1)
常數的
O(log(n))
對數的
O((log(n))c)
對數多項式的
O(n)
線性的
O(n2)
二次的
O(nc)
多項式的
O(cn)
指數的
12.1.1 理解大O表示法
如何衡量算法的效率?通常是用資源,例如CPU(時間)佔用、內存佔用、硬盤佔用和網絡佔用。當討論大O表示法時,一般考慮的是CPU(時間)佔用。
讓我們試著用一些例子來理解大O表示法的規則。
O(1)
考慮以下函數:
function increment(num){ return ++num; }
假設運行
increment(1)
函數,執行時間等於X。如果再用不同的參數(例如2
)運行一次increment
函數,執行時間依然是X。和參數無關,increment
函數的性能都一樣。因此,我們說上述函數的複雜度是O(1)(常數)。O(n)
現在以第10章中實現的順序搜索算法為例:
function sequentialSearch(array, item){ for (var i=0; i<array.length; i++){ if (item === array[i]){ //{1} return i; } } return -1; }
如果將含10個元素的數組(
[1, ..., 10]
)傳遞給該函數,假如搜索1
這個元素,那麼,第一次判斷時就能找到想要搜索的元素。在這裡我們假設每執行一次行{1}
,開銷是 1。現在,假如要搜索元素
11
。行{1}
會執行10次(遍歷數組中所有的值,並且找不到要搜索的元素,因而結果返回-1
)。如果行{1}
的開銷是1,那麼它執行10次的開銷就是10,10倍於第一種假設。現在,假如該數組有1000個元素(
[1, ..., 1000]
)。搜索1001
的結果是行{1}執行了1000次(然後返回-1
)。注意,
sequentialSearch
函數執行的總開銷取決於數組元素的個數(數組大小),而且也和搜索的值有關。如果是查找數組中存在的值,行{1}
會執行幾次呢?如果查找的是數組中不存在的值,那麼行{1}
就會執行和數組大小一樣多次,這就是通常所說的最壞情況。最壞情況下,如果數組大小是10,開銷就是10;如果數組大小是1000,開銷就是1000。可以得出
sequentialSearch
函數的時間複雜度是O(n),n是(輸入)數組的大小。回到之前的例子,修改一下算法的實現,使之計算開銷:
function sequentialSearch(array, item){ var cost = 0; for (var i=0; i<array.length; i++){ cost++; if (item === array[i]){ //{1} return i; } } console.log(\'cost for sequentialSearch with input size \' + array.length + \' is \' + cost); return -1; }
用不同大小的輸入數組執行以上算法,可以看到不同的輸出。
O(n2)
用冒泡排序做O(n2)的例子:
function swap(array, index1, index2){ var aux = array[index1]; array[index1] = array[index2]; array[index2] = aux; } function bubbleSort(array){ var length = array.length; for (var i=0; i<length; i++){ //{1} for (var j=0; j<length-1; j++ ){ //{2} if (array[j] > array[j+1]){ swap(array, j, j+1); } } } }
假設行
{1}
和行{2}
的開銷分別是1。修改算法的實現使之計算開銷:function bubbleSort(array){ var length = array.length; var cost = 0; for (var i=0; i<length; i++){ //{1} cost++; for (var j=0; j<length-1; j++ ){ //{2} cost++; if (array[j] > array[j+1]){ swap(array, j, j+1); } } } console.log(\'cost for bubbleSort with input size \' + length + \' is \' + cost); }
如果用大小為10的數組執行
bubbleSort
,開銷是 100(102)。如果用大小為100的數組執行bubbleSort
,開銷就是 10 000(1002)。需要注意,我們每次增加輸入的大小,執行都會越來越久。時間複雜度O(n)的代碼只有一層循環,而O(n2)的代碼有雙層嵌套循環。如果算法有三層遍歷數組的嵌套循環,它的時間複雜度很可能就是O(n3)。
12.1.2 時間複雜度比較
下圖比較了前述各個大O符號表示的時間複雜度:
這個圖表是用JavaScript繪製的哦!在本書示例代碼中,你可以到Chapter12下的bigOChart目錄中找到繪製本圖表的源代碼。
在接下來的部分,你可以找到本書實現的所有算法的時間複雜度的速查表。
數據結構
下表是常用數據結構的時間複雜度:
數據結構 一般情況 最差情況 插入刪除搜索插入刪除搜索 數組/棧/隊列O(1)O(1)O(n)O(1)O(1)O(n) 鏈表O(1)O(1)O(n)O(1)O(1)O(n) 雙向鏈表O(1)O(1)O(n)O(1)O(1)O(n) 散列表O(1)O(1)O(1)O(n)O(n)O(n) 二分搜索樹O(log(n))O(log(n))O(log(n))O(n)O(n)O(n) AVL樹O(log(n))O(log(n))O(log(n))O(log(n))O(log(n))O(log(n))圖
下表是圖的時間複雜度:
節點/邊的管理方式 存儲空間 增加頂點 增加邊 刪除頂點 刪除邊 輪詢 鄰接表O(|V|+|E|)O(1)O(1)O(|V|+|E|)O(|E|)O(|V|) 鄰接矩陣O(|V|2)O(|V|2)O(1)O(|V|2)O(1)O(1)排序算法
下表是排序算法的時間複雜度:
算法(用於數組) 時間複雜度 最好情況一般情況最差情況 冒泡排序O(n)O(n2)O(n2) 選擇排序O(n2)O(n2)O(n2) 插入排序O(n)O(n2)O(n2) 歸並排序O(nlog(n))O(nlog(n))O(nlog(n)) 快速排序O(nlog(n))O(nlog(n))O(n2) 堆排序O(nlog(n))O(nlog(n))O(nlog(n)) 桶排序O(n+k)O(n+k)O(n2) 基數排序O(nk)O(nk)O(nk)搜索算法
下表是搜索算法的時間複雜度:
算法 數據結構 最差情況 順序搜索數組O(n) 二分搜索已排序的數組O(log(n)) 深度優先搜索(DPS)頂點數為|V|,邊數為|E|的圖O(|V|+|E|) 廣度優先搜索(BFS)頂點數為|V|,邊數為|E|的圖O(|V|+|E|)
12.1.3 NP完全理論概述
一般來說,如果一個算法的複雜度為O(nk),其中k是常數,我們就認為這個算法是高效的,這就是多項式算法。
對於給定的問題,如果存在多項式算法,則計為 P(polynomial,多項式)。
還有一類NP(nondeterministic polynomial,非確定性多項式)算法。如果一個問題可以在多項式時間內驗證解是否正確,則計為NP。
如果一個問題存在多項式算法,自然可以在多項式時間內驗證其解。因此,所有的P都是NP。然而,P = NP是否成立,仍然不得而知。
NP問題中最難的是NP完全問題,它滿足以下兩個條件:
(1) 是NP問題,也就是說,可以在多項式時間內驗證解,但還沒有找到多項式算法;
(2) 所有的NP問題都能在多項式時間內歸約為它。
為了理解問題的歸約,考慮兩個決策問題L 和M。假設算法A可以解決問題L,算法B可以驗證輸入y 是否為M 的解。目標是找到一個把L 轉化為M 的方法,使得算法B 可以用於構造算法A。
還有一類問題,只需滿足NP完全問題的第二個條件,稱為NP困難問題。因此,NP完全問題也是NP困難問題的子集。
P = NP是否成立,是計算機科學中最重要的難題之一。如果能找到答案,對密碼學、算法研究、人工智能等諸多領域都會產生重大影響。
下面是滿足P < > NP時,P、NP、NP完全和NP困難問題的歐拉圖:
非NP完全的NP困難問題的例子有停機問題和布爾可滿足性問題(SAT)。
NP完全問題的例子有子集和問題、旅行商問題、頂點覆蓋問題,等等。
關於這些問題,詳情請查閱https://en.wikipedia.org/wiki/NP-completeness。
不可解問題與啟髮式算法
我們提到的有些問題是不可解的。然而,仍然有辦法在符合要求的時間內找到一個近似解。啟髮式算法就是其中之一。啟髮式算法得到的未必是最優解,但足夠解決問題了。
啟髮式算法的例子有局部搜索、遺傳算法、啟髮式導航、機器學習等。詳情請查閱http://goo.gl/gxIu9w。
啟髮式算法可以很巧妙地解決一些問題。你可以嘗試把研究啟髮式算法作為學士或碩士學位的論文主題。