我有记忆斐波那契代码,但我很难弄清楚它的时间复杂度是多少:
function fibMemo(index, cache) {
cache = cache || [];
if (cache[index]) return cache[index];
else {
if (index < 3) return 1;
else {
cache[index] = fibMemo(index - 1, cache) + fibMemo(index - 2, cache);
}
}
return cache[index];
}
这个函数的时间复杂度是多少?
取决于你的意思。
假设记忆正确完成,“操作”的数量将是生成的数字的数量。这意味着函数运行时的增长与您尝试生成的数字量有关。
所以它将是 O(n),其中 n 是生成的数字的数量。
无需记忆
我认为,当您不使用记忆时,在脑海中想象一下调用树的样子会很有帮助。例如,这就是
fib(5)
的样子:
这个算法的时间复杂度是多少?好吧,我们打了多少次
fib()
?要回答这个问题,请考虑树的每一层。
第一层有一个电话:
fib(5)
。下一级有两个调用:fib(4)
和fib(3)
。下一级有四个。等等等等。每个节点都分支成两个额外的节点,所以它是2*2*2... = 2^n
。嗯,是 O(2^n)
,通常不完全是 2^n
。您可以看到这里第 4 级缺少一个节点,而第 5 级只有一个节点。
具有记忆功能
现在想想记忆化会是什么样子。当您使用记忆时,您会记住之前计算过的结果。所以它看起来像这样:
周围有方块的那些只是返回记忆的结果。如果忽略它们,您可以看到算法仅针对从
0
到 n
的每个值调用一次。
好吧,
fib(1)
确实被称为“额外”一次,但由于我们在这里考虑的是大O,所以它不会改变事情。与周围方块的调用相同。即使我们想包括它们,它仍然是O(n)
。
为了向自己证明这一点并使其直观,请尝试为大于
fib(5)
的内容编写调用树。也许fib(10)
或fib(20)
。如果你眯起眼睛,你会发现它基本上呈对角线的形式,向下和向左移动。可能会有一些额外的树枝到处长出来,但基本上,它是一条线。
假设
T(n)
是n的时间复杂度,所以T(n) = T(n-1) + T(n-2)
。因为计算F(n-2)
时cache
在F(n - 1)
中,所以F(n-2)
的运算为1(从cache
读取),所以T(n) = T(n-1) + 1 = T(n-2) + 2 = ... = T(n-n) + n
。 T(0)
是 1,所以 T(n) = O(n + 1) = O(n)
。
这个问题的答案实际上有点棘手,并不是大多数人所期望的。
当问到 fib(n) 中执行的操作次数时,确实是 O(n),但实际运行时间并不是 O(n)。如果我们假设加法的时间复杂度不是恒定的,那么运行时间就变成了 O(n^2)。原因如下:
设 x = fib(n)。我们知道 fib(n) 随 n 的位数呈指数增长,因此 x 有 n 位。
在递归情况下:f(n - 1) + f(n - 2),我们将两个数字相加,这两个数字都有 O(n) 位。
将所有内容放在一起,我们执行 O(n) 操作,每个操作需要 O(n) 时间,导致总运行时间为 O(n^2)。