Time Complexity
Arvin Liu @ Sprout 2021
階段考TLE了啦 QQ...
階段考TLE了啦 QQ...
可不可以預判TLE呢?
要是能重來，我就不會浪費時間寫這題了>_<
預測時間
預測時間? 算算看指令數有多少
int n, sum = 0; cin >> n; for (int i=1; i<=n; i+=1) sum += i; cout << sum;
宣告
3次
輸入輸出
2次
判斷 i <= n
+=
n, i, sum
cin >> n;
cin << sum;
n+1次
因為 i 會
從 1 跑到 n+1
2n次
因為 i+n次
sum也+n次
指令數量 : 3n + 6 次
預測時間? 算算看指令數有多少
int n; cin >> n; for(int i=1; i<=n; i++){ for(int j=0; j<n-i; j++) cout << " "; for(int j=0; j<i; j++) cout << i; cout << " "; for(int j=0; j<i; j++) cout << i; cout << "\n"; }
指令數量 : 次
我也不知道
去算那種枝微末節的指令數真的有用嗎?
誰算得出來==
當然，神如Jason就算得出來。
所以我們需要估計時間
指令數
n=10
n = 10
n=103
n = 10^3
n=105
n = 10^5
3n+6
3n+6
大概是...
36
36
3006
3006
300006
300006
3n
3n
2n(n−1)
\frac{n(n-1)}{2}
45
45
499500
499500
4999950000
4999950000
21n2
\frac 12 n^2
n⌈log10n⌉+n
n \lceil \log_{10} n \rceil + n
20
20
4000
4000
nlog10n
n \log_{10} n
110
110
1003000
1003000
10000500000
10000500000
500000
500000
n⌈log10n⌉+n2
n \lceil \log_{10} n \rceil + n^2
n2
n^2
所以其實我們只要看最大的那一項就差不多了!
重看一次
int n; cin >> n; for(int i=1; i<=n; i++){ for(int j=0; j<n-i; j++) cout << " "; for(int j=0; j<i; j++) cout << i; cout << " "; for(int j=0; j<i; j++) cout << i; cout << "\n"; }
n
n
n
n
n
n
≃1.5×n2次
\simeq 1.5 \times n^2 \text{次}
有沒有一個符號
表達估計指令數呢?
O
英文字母的第15個字
大O (big-Oh) 的定義
f(n)=O(g(n))↔存在一個正整數c和n0，對於所有n≥n0，使得f(n)≤c×g(n)。
f(n) = Ο(g(n)) \leftrightarrow \\存在一個正整數c和n_0，\\\text{對於所有} n\ge n_0，\\
使得f(n) \le c × g(n)。
看不懂? 沒關係。
就是取成長最快的項 再把係數拿掉就好了。
這裡的O，我們就稱之為複雜度，表示程式要跑多少次指令。
例如100n2−100000n+10logn+πn=O(n2)
例如 100n^2 - 100000 n + 10 \log n + \pi \sqrt n = O(n^2)
f(n)=O(g(n))↔存在一個正常數c和n0，對於所有n≥n0，使得f(n)≤c×g(n)。
f(n) = Ο(g(n)) \leftrightarrow 存在一個正常數c和n_0，\text{對於所有} n \ge n_0，\\
使得f(n) \le c × g(n)。
= 取成長最快的項 再把係數拿掉就好了。
| 指令數 | 時間複雜度 |
|---|---|
6
6
n+n+n+n+...+nn
\overbrace{n+n+n+n+...+n}^n
n⌈log10n⌉+n
n \lceil \log_{10} n \rceil + n
n⌈log10n⌉+n2
n \lceil \log_{10} n \rceil + n^2
O(1)
O(1)
O(n2)
O(n^2)
O(nlogn)
O(n \log n)
O(n2)
O(n^2)
2n+3n+n100
2^n + 3^n + n^{100}
O(3n)
O(3^n)
nloglogn+1000000×n
n \log \log n + 1000000 \times n
O(nloglogn)
O(n \log \log n)
1+21+31+41+...n1
1 + \frac 12 + \frac 13 + \frac 14 + ... \frac 1n
O(logn)
O(\log n)
n+2n+4n+8n+...+1
n + \frac n2 + \frac n4 + \frac n8 + ... + 1
O(n)
O(n)
大O (big-Oh) 的定義
小小補充
n+2n+4n+8n+...+1為甚麼是O(n)?
n + \frac n2 + \frac n4 + \frac n8 + ... + 1 為甚麼是O(n) ?
它介於n∼2n−1之間→O(n)
它介於n \sim 2n-1之間 \rightarrow O(n)
21+41+81+...+∞1=1
\frac 12 + \frac 14 + \frac 18 + ... + \frac 1\infin = 1
小小補充-2
看起來好像很厲害的成長速率圖
所以那個TLE呢?
Got TLE?
Time Limit Exceeded
想一個解法
最差時間複雜度
計算code的指令數
TLE or
... WA?
O(nlogn)O(n2)
O(n\log n) \\
O(n^2)
估算
複雜度
代入測資
總而言之就是帶進去看有1秒沒有超過 就對了!
108
10^8
1s≤108?
1s \le 10^8?
你還沒寫code啊，小老弟
比較常看到的複雜度 - 範圍
| 時間複雜度 | n 的範圍 |
|---|---|
O(n)
O(n)
107,108
10^7, 10^8
O(n2)
O(n^2)
103,5×103
10^3, 5\times 10^3
O(nn)
O(n \sqrt n)
5×104,105
5 \times 10^4, 10^5
O(nlogn)
O(n \log n)
2×106
2 \times 10^6
O(1)
O(1)
一個可以存的數字?
一個可以存的數字?
題外話:你怎麼念O(1)?
題外話:你怎麼念O(1)?
有if怎麼辦?
指令數可能每次都不一樣...
if (rand() % 2 == 0) { 一個歐恩平方的函式(); } else { 一個歐恩的函式(); }
一半O(n)，一半O(n2)?
一半O(n)，一半O(n^2)?
公O小?
很多的複雜度
最佳複雜度
最差複雜度
平均複雜度
什麼意思?
就...跑最快的時候啊
就...跑最慢的時候啊
就...平均的時候啊
期望值的次數
很多的複雜度
if (rand() % 2 == 0) { 一個歐恩平方的函式(); } else { 一個歐恩的函式(); }
| 哪種複雜度? | 複雜度多少? |
|---|---|
| 最佳複雜度 | |
| 最差複雜度 | |
| 平均複雜度 |
O(n)
O(n)
O(n2)
O(n^2)
O(n1.5)
O(n^{1.5})
絕對不是 ，是
O(n2)
O(n^2)
偷渡一個排序 - Bogo Sort
排序是什麼? 就是把數字由小到大排。
什麼是Bogo Sort?
猴子表示: 要排序乾我?
Bogo Sort:
叫一隻猴子把
寫有數字的卡牌往空中一撒，
然後撿起來看順序對不對。
沒有? 再撒一次!
所以這個算法又稱猴子排序。
Bogo Sort 的複雜度?
| 哪種複雜度? | 複雜度多少? |
|---|---|
| 最佳複雜度 | |
| 最差複雜度 | |
| 平均複雜度 |
O(n)
O(n)
O(∞)
O(\infin)
O(n×n!)
O(n \times n!)
is_sorted = False while not is_sorted: shuffle(ary) # O(n) if ary.is_sort(): # O(n) is_sorted = True # O(1)
shuffle:
洗牌/打亂順序
因為只有
n!1
\frac {1}{n!}
機率排對。
總而言之...
我們平常講O都是講最差複雜度，小心誤用。
O小好嗎?
一個奇怪的比較
| 指令數 | 時間複雜度 |
|---|---|
n
n
2n(n−1)
\frac{n(n-1)}{2}
10000000000n
10000000000 n
O(n)
O(n)
O(n2)
O(n^2)
O(n)
O(n)
平常情況下
10000000000 n 比 n*(n-1)/2 還要慢，
但是時間複雜度卻比較低。
O只是重要參考，但不代表真實情況(?)
Examples
一個你看過的例子
- 假設說一開始的n個數字:
[1,7,11,3,5,6,9]
[1, 7, 11, 3, 5, 6, 9]
- 那麼接下來詢問3次。
- 詢問 2 -> 回答不存在。
- 詢問 3 -> 回答存在。
- 詢問 7 -> 回答存在。
題目:給n個數字，數字範圍在[0,M]之間。之後詢問Q次，每次詢問一個數字y。回答y在不在之前的n個數字裡面。
題目:\\
給n個數字，數字範圍在[0, M]之間。\\
之後詢問Q次，每次詢問一個數字y。\\
回答y在不在之前的n個數字裡面。
一個你看過的例子
一個最簡單但很慢解法:
用大小為n的陣列紀錄，每次詢問就用for看y在不在這個陣列裡面。
| 步驟 | 輸入到陣列 | 每次詢問 | 總共 |
|---|---|---|---|
| 最差複雜度 | O(N) | O(N) | O(QN) |
題目:給n個數字，數字範圍在[0,M]之間。之後詢問Q次，每次詢問一個數字y。回答y在不在之前的n個數字裡面。
題目:\\
給n個數字，數字範圍在[0, M]之間。\\
之後詢問Q次，每次詢問一個數字y。\\
回答y在不在之前的n個數字裡面。
一個你看過的例子
題目:給n個數字，數字範圍在[0,M]之間。之後詢問Q次，每次詢問一個數字y。回答y在不在之前的n個數字裡面。
題目:\\
給n個數字，數字範圍在[0, M]之間。\\
之後詢問Q次，每次詢問一個數字y。\\
回答y在不在之前的n個數字裡面。
一個有趣，很快的解法:
輸入x時讓陣列A[x] = true，
判斷時用A[y]決定有沒有出現過。
| 索引值 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
|---|---|---|---|---|---|---|---|---|---|
| A裡面的值 | T | F | T | F | F | F | T | T | F |
假設輸入了[1,7,3,3,1,8]
假設輸入了 [1, 7, 3, 3, 1, 8]
| 步驟 | 清空A陣列 | 設定A陣列 | 每次詢問 | 總共 |
|---|---|---|---|---|
| 最差複雜度 | O(M) | O(N) | O(1) | O(M+N+Q) |
一個你看過的例子
一個最簡單但很慢解法:
用大小為n的陣列紀錄，每次詢問就用for看y在不在這個陣列裡面。
一個有趣，很快的解法:
輸入x時讓陣列A[x] = true，
判斷時用A[y]決定有沒有出現過。
最差時間複雜度
O(QN)
O(QN)
O(N+M+Q)
O(N+M+Q)
你所想的算法
當{M>QN，用第一個算法。M≤QN，用第二個算法。
當\begin{cases}
M \gt QN，用第一個算法。 \\
M \le QN，用第二個算法。
\end{cases}
結束啦!
騙你的(?)
還有喔?
| 步驟 | 排序 | ||
|---|---|---|---|
| 最差複雜度 | O(NlogN) |
題目:給n個數字，數字範圍在[0,M]之間。之後詢問Q次，每次詢問一個數字y。回答y在不在之前的n個數字裡面。
題目:\\
給n個數字，數字範圍在[0, M]之間。\\
之後詢問Q次，每次詢問一個數字y。\\
回答y在不在之前的n個數字裡面。
一個有趣，很快，不用管M的解法:
用大小為n的陣列排序，
再來用二分搜尋法判斷有沒有存在。
假設輸入了[1,7,3,3,1,8]
假設輸入了 [1, 7, 3, 3, 1, 8]
| 每次詢問 | 總共 | ||
|---|---|---|---|
| O(logN) | O((N+Q)logN) |
| 排序後的值 | 1 | 1 | 3 | 3 | 7 | 8 |
|---|
小小整理
| 預處理 | 預處理時間複雜度 | 詢問 | 單次詢問時間複雜度 | 總時間複雜度 |
|---|---|---|---|---|
| 直接存起來 | O(N) | 一個一個比對 | O(N) | O(QN) |
| 開一個陣列紀錄存過誰 | O(N+M) | 直接看紀錄陣列就好了 | O(1) | O(N+M+Q) |
| 存起來後排序 | O(NlogN) | 二分搜尋法 | O(logN) | O((N+Q)logN) |
題目:給n個數字，數字範圍在[0,M]之間。之後詢問Q次，每次詢問一個數字y。回答y在不在之前的n個數字裡面。
題目:\\
給n個數字，數字範圍在[0, M]之間。\\
之後詢問Q次，每次詢問一個數字y。\\
回答y在不在之前的n個數字裡面。
你還想的到其他算法嗎?
Time Complexity Arvin Liu @ Sprout 2021
Time Complexity
By Arvin Liu
Time Complexity
- 1,221
