728x90
반응형
알고리즘 복잡도 표현 방법
1. 알고리즘 복잡도 계산이 필요한 이유
하나의 문제를 푸는 알고리즘은 다양할 수 있음
- 정수의 절대값 구하기
- 1, -1 ->> 1
- 방법1: 정수값을 제곱한 값에 다시 루트를 씌우기
- 방법2: 정수가 음수인지 확인해서, 음수일 때만, -1을 곱하기
다양한 알고리즘 중 어느 알고리즘이 더 좋은지를 분석하기 위해, 복잡도를 정의하고 계산함
2. 알고리즘 복잡도 계산 항목
- 시간 복잡도: 알고리즘 실행 속도
- 공간 복잡도: 알고리즘이 사용하는 메모리 사이즈
가장 중요한 시간 복잡도를 꼭 이해하고 계산할 수 있어야 함
알고리즘 시간 복잡도의 주요 요소
반복문이 지배합니다.
생각해보기: 자동차로 서울에서 부산을 가기 위해, 다음과 같이 항목을 나누었을 때, 가장 총 시간에 영향을 많이 미칠 것 같은 요소는?
예:
자동차로 서울에서 부산가기
1. 자동차 문열기
2. 자동차 문닫기
3. 자동차 운전석 등받이 조정하기
4. 자동차 시동걸기
5. **자동차로 서울에서 부산가기 (가장 핵심적인 부분)**
6. 자동차 시동끄기
7. 자동차 문열기
8. 자동차 문닫기
마찬가지로, 프로그래밍에서 시간 복잡도에 가장 영향을 많이 미치는 요소는 반복문
- 입력의 크기가 커지면 커질수록 반복문이 알고리즘 수행 시간을 지배함
알고리즘 성능 표기법
- Big O (빅-오) 표기법: O(N)
- 알고리즘 최악의 실행 시간을 표기
- 가장 많이/일반적으로 사용함
- 아무리 최악의 상황이라도, 이정도의 성능은 보장한다는 의미이기 때문
- Ω (오메가) 표기법: Ω(N)
- 오메가 표기법은 알고리즘 최상의 실행 시간을 표기
- Θ (세타) 표기법: Θ(N)
- 오메가 표기법은 알고리즘 평균 실행 시간을 표기
시간 복잡도 계산은 반복문이 핵심 요소임을 인지하고, 계산 표기는 최상, 평균, 최악 중, 최악의 시간인 Big-O 표기법을 중심으로 익히면 됨
3. 대문자 O 표기법
빅 오 표기법, Big-O 표기법 이라고도 부름
O(입력)
- 입력 n 에 따라 결정되는 시간 복잡도 함수
- O(1), O(log n), O(n), O(nlog n), O(n^2), O(2^n), O(n!)등으로 표기함
- 입력 n 의 크기에 따라 기하급수적으로 시간 복잡도가 늘어날 수 있음
- O(1) < O(log n) < O(n) < O(nlog n) < O(n^2) < O(2^n) < O(n!)
- 참고: log n 의 베이스는 2 - log_2 n
- O(1) < O(log n) < O(n) < O(nlog n) < O(n^2) < O(2^n) < O(n!)
단순하게 입력 n에 따라, 몇번 실행이 되는지를 계산하면 됩니다.
- 표현식에 가장 큰 영향을 미치는 n 의 단위로 표기합니다.
- n이 1이든 100이든, 1000이든, 10000이든 실행을
- 무조건 2회(상수회) 실행한다: O(1)
if n > 10: print(n)
- n에 따라, n번, n + 10 번, 또는 3n + 10 번등 실행한다: O(n)
variable = 1 for num in range(3): for index in range(n): print(index)
- n에 따라, n^2번, n^2 + 1000 번, 100n^2 - 100, 또는 300n^2 + 1번등 실행한다: O(n^2)
variable = 1 for i in range(300): for num in range(n): for index in range(n): print(index)
* 빅 오 입력값 표기 방법
- 무조건 2회(상수회) 실행한다: O(1)
예:
- 만약 시간 복잡도 함수가 2n^2 + 3n 이라면
- 가장 높은 차수는 2n^2
- 상수는 실제 큰 영향이 없음
- 결국 빅 오 표기법으로는 O(n^2) (서울부터 부산까지 가는 자동차의 예를 상기)
- 만약 시간 복잡도 함수가 2n^2 + 3n 이라면
4. 실제 알고리즘을 예로 각 알고리즘의 시간 복잡도와 빅 오 표기법 알아보기
연습1: 1부터 n까지의 합을 구하는 알고리즘 작성해보기
알고리즘1: 1부터 n까지의 합을 구하는 알고리즘1
- 합을 기록할 변수를 만들고 0을 저장
- n을 1부터 1씩 증가하면서 반복
- 반복문 안에서 합을 기록할 변수에 1씩 증가된 값을 더함
- 반복이 끝나면 합을 출력
def sum_all(n):
total = 0
for num in range(1, n+1): //1부터 n까지 반복하기 위해 +1
total += num
return total
sum_all(100)
output: 5050
시간 복잡도 구하기
- 1부터 n까지의 합을 구하는 알고리즘1
- 입력 n에 따라 덧셈을 n 번 해야 함 (반복문!)
- 시간 복잡도: n, 빅 오 표기법으로는 O(n)
알고리즘2: 1부터 n까지의 합을 구하는 알고리즘2
- {n(n+1)}/{2}
def sum_all(n):
return int(n*(n+1)/2)
sum_all(100)
output: 5050
시간 복잡도 구하기
- 1부터 n까지의 합을 구하는 알고리즘2
- 입력 n이 어떻든 간에, 곱셈/덧셈/나눗셈 하면 됨 (반복문이 없음!)
- 시간 복잡도: 1, 빅 오 표기법으로는 O(1)
어느 알고리즘이 성능이 좋은가요?
- 알고리즘1 vs 알고리즘2
- O(n) vs O(1)
이와 같이, 동일한 문제를 푸는 알고리즘은 다양할 수 있음
어느 알고리즘이 보다 좋은지를 객관적으로 비교하기 위해, 빅 오 표기법등의 시간복잡도 계산법을 사용함
이후 자료구조, 알고리즘부터는 빅 오 표기법으로 성능을 계산해보면서, 빅 오 표기법과 계산방법에 익숙해지기로 합니다.
728x90
반응형
'Algorithm > 자료구조 이론' 카테고리의 다른 글
Chapter 09. 트리(Tree) (0) | 2020.07.20 |
---|---|
Chapter 08. 해쉬 테이블(Hash Table) (0) | 2020.07.20 |
Chapter 06. 링크드 리스트(Linked List) (0) | 2020.07.20 |
Chapter 05. 스택(Stack) (0) | 2020.07.20 |
Chapter 04. 큐(Queue) (0) | 2020.07.17 |