1. 정의

실행 시간의 상한 또는 알고리즘 공간 사용을 설명하는 수학 표기법. 또는 (f (n)) 로 표시됩니다. 여기서 f (n) 는 입력 크기 n 에 따라 시간 또는 공간을 나타내는 함수입니다.

2. 목적

알고리즘 비교
• : 다른 알고리즘을 비교하고 주어진 문제에 대해 가장 효율적인 것을 선택할 수 있습니다. 확장 성
: 데이터 양이 증가 할 때 알고리즘이 어떻게 행동하는지 예측하는 데 도움이됩니다.
• 3. 복잡성 분석

더 나쁜 경우

• 더 나은 사례 및 평균 사례 : 중요하지만 큰 O.
• 4. 우주 대 시간

: 알고리즘이 실행되는 데 걸리는 시간을 나타냅니다.

공간 복잡성
• : 사용하는 추가 메모리의 양을 나타냅니다. 또는 (1) (상수 공간) 또는
(선형 공간)와 같은 표기법이있을 수 있습니다.
• 예: import timeit matplotlib.pyplot을 plt로 가져옵니다 CPROFILE 가져 오기 # O (1) def constant_time_operation () : 반환 42 # O (로그 N) def logarithmic_time_operation (n) : 카운트 = 0 n> 1 : n // = 2 카운트 = 1 반환 수 # 또는 (n) def linear_time_operation (n) : 총 = 0 범위 (n)의 i를 위해 : 총 = i 총 수익 # O (n log n) def linear_logarithmic_time_operation (n) : n ]]] plt.figure (figsize = (14, 8)) plt.bar (함수, 시간, 색상 = 색상) i, v in enumerate (시간) : plt.text (i, v 0.5, f "{v : .6f}", ha = 'center', va = '하단', 회전 = 0, color = 'black') plt.xlabel ( '기능 복잡성') plt.ylabel ( '평균 시간') plt.title ( '다른 알고리즘 복잡성의 실행 시간') plt.grid (axis = 'y', lnetyle = '-', linewidth = 0.5, color = 'gry', alpha = 0.5) plt.tight_layout () plt.show () def main () : 결과 = [] results.Append (( "또는 (1)", 척도_time (constant_time_operation))))) results.Append (( "또는 (log n)", gease_time (logarithmic_time_operation, 10))))))) results.append (( "또는 (n)", gease_time (linear_time_operation, 10)))))) results.Append (( "또는 (n log n)", 척도_time ( linear_logarithmic_time_operation, 10))))) results.Append (( "또는 (n^2)", gease_time (Quadratic_time_operation, 7)))))) results.Append (( "또는 (2^n)", exponential_time_operation, 7))))) results.Append (( "또는 (n!)", gease_time (inforcial_time_operation, 112)))))) Plot_Results (결과) __name__ == '__main__': cprofile.run ( "main ()", sort = "totime", filename = "output_profile.prof")

읽어 주셔서 감사합니다 !!
반응과 의견.