性能分析不一定得用 Profiler,复杂度分析也行

开发 前端
可以做耗时分析、内存占用的的分析。可以用 chrome devtools 的 Profiler,包括 performance 和 memory,分别拿到耗时和内存占用的数据,而且还可以用火焰图做可视化分析。

[[430592]]

如果提到性能分析,你会想到什么呢?

可以做耗时分析、内存占用的的分析。可以用 chrome devtools 的 Profiler,包括 performance 和 memory,分别拿到耗时和内存占用的数据,而且还可以用火焰图做可视化分析。

比如 performance,你可以看到每个函数的耗时,通过简单的加减法,就能算出是哪个函数耗时多,然后去优化。

而且,你可以勾选 memory,显示堆内存的变化,可以知道是哪个函数导致的内存增多,然后去优化。

当然,你也可以单独分析 memory 的 timeline,录制一段时间的内存占用情况,然后看这时候的内存中有哪些对象,这样比只知道大小更精确一些。

总之,我们可以通过调试工具的 Profiler 来看到内存和耗时,然后关联到具体的函数,之后着手去优化。

但是,这些都是代码跑起来才能统计的,而且与机器、不同的输入数据等强相关。

如果换一台机器,数据就是另一个样子了。这也是为啥测试的时候要用各种机器测一遍。

那如果想代码不运行就能估算出具体时间和内存占用大小,有什么思路么?

这就是复杂度分析技术做的事情了。

这篇文章我们来学下复杂度分析是如何估算时间的。

复杂度分析的几个基础

什么是 1,什么是 n

如果有这样一行代码:

  1. const name = 'guang'

耗时多少,内存多少?

你可能说得跑跑看,可能耗时 1ms,内存 4 bytes,也可能耗时 2ms,内存 8bytes 等等,不同的机器和运行环境都会有不同。

但我们都把它作为 1 ,这个 1 不是 ms,不是 byte,只是说是一个耗时/内存占用的基本单元,也就是复杂度是 1。

那这样的代码呢?

  1. function calc(n) { 
  2.     for(let i = 0; i < n; i ++) { 
  3.         //... 
  4.     } 

具体的数值随着 n 的增大而增大,复杂度是 n。

我们分析复杂度的时候,不会分析具体的耗时和内存占用,而是以语句作为复杂度的单元,也就是 1,随着输入的数据规模 n 而变化的复杂度作为 n。

渐进的时候,常数可省略

我们知道了 1 和 n,就可以计算这些复杂度了:

  1. function func(n) { 
  2.     const a = 1; 
  3.     const b = 2; 
  4.      
  5.     for (let i = 0; i < n; i ++) { 
  6.        //... 
  7.     } 

这里面有两条语句,复杂度是 1 + 1,一个循环 n 次的语句,复杂度是 n,所以总复杂度是 2 + n。

  1. 复杂度(func) = 2 + n 

当这个 n 逐渐变大的时候,比如 n 变成了 10000000,那这个 2 就可以忽略不计了。

也就是

  1. 复杂度(func) =  O(n) 

这个 O 是渐进复杂度的意思,也就是渐渐的增大的时候的复杂度。

有的同学说,这里是 2,所以可以省略,如果这里有 100000 条呢?是不是就不能省略了?

其实也会省略,因为不管多大,它的复杂度总是一个常数,是固定的,不会变化,所以不用分析进去,估算出的耗时或者内存占用加上它那固定的部分就可以了。而变化的部分才需要分析。

当我们计算渐进复杂度 O 的时候,常数会省略掉,因为它是固定的,不会变,而我们只分析变化的部分,也就是与 n 有关的部分。

多个变化的输入数据规模时,都要计算

上面只是有一个输入数据,规模是 n 的时候,复杂度与 n 有关。

如果有两个输入数据,规模分别为 m 和 n 的时候,那都要计算上,不能省略,因为都是变化的。

也就是 O(m + n)、 O(m * n) 这种。

一些常见的时间复杂度

我们明白了什么是 1,什么是 n,什么时候要同时计算 m 和 n,什么是渐进复杂度,为什么常数可以省略之后,就可以看一些实际的复杂度的例子了。

其实复杂度也就这么几种:O(n)、O(n^2)、O(logn)、O(2^n)、O(n!)

O(n)

  1. function func(n) { 
  2.     const a = 1; 
  3.     for(let i = 0; i < n; i ++) { 
  4.         //... 
  5.     } 

这种就是 O(n),我们上面分析过。常数复杂度省略掉。

O(n^2) O(n^3)

  1. function func(n) { 
  2.     for(let i = 0; i < n; i ++) { 
  3.         for(let j = 0; j < n; j ++) { 
  4.             //... 
  5.         } 
  6.     } 

这种就是 O(n^2),同理,O(n^3)、O(n^4)等也一个意思,就是嵌套的时候,复杂度相乘。

O(logn)

  1. let n = 100;  
  2. let i = 1;  
  3. while(i < n){  
  4.     i = i * 2  

这段代码要计算多少次,要看 i 乘以几次 2 才大于 100,也就是 log2n

那同理,也有 log3n,log4n 等复杂度,当渐进复杂度的时候,常数是不用计算的,所以都是 O(logn)

o(2^n) o(3^n)

  1. const fibnacci = function (n) {  
  2.     if (n <= 1) return n;  
  3.     return fibnacci(n - 1) + fibnacci(n - 2); 
  4. }; 

斐波那契数列我们都知道,可以用上面的递归来算。

这样算的话,n 每加 1,就多递归调用了 2 次 fibnacci 函数,也就是复杂度乘以 2 了,所以复杂度是 O(2^n)。

同理,如果 n 每加一,多递归执行 3 次,那就是 O(3^n) 的复杂度。

也就是说,n 每加一,多递归 a 次,那复杂度就是 O(a^n)。

O(n!)

  1. function func(n) {  
  2.     for(let i=0; i<n; i++) {  
  3.         func(n-1);  
  4.     } 

上一条我们知道了,n 每加 1,多递归常数次,是指数型,那如果如果当 n 每加 1,多递归 n 次,这种就是复杂度 o(n!) 了。

为什么不是 O(n^n) 呢?因为 n 是变化的啊,所以是 O(n!)。

这基本是全部的时间复杂度情况了。当然,这里只是讨论了 n 一个纬度,再多一个纬度 m 的话,也是一样。

下面我们来区分一下这些时间复杂度的优劣。

时间复杂度的优劣对比

我们学习了大 O 的渐进时间复杂度表示法,就是为了估算 n 与具体执行时间的关系。上面分析出的几种时间复杂度,它们与具体执行时间的关系是什么样的呢?可以画出变化函数来分析。

可以看到,随着 n 的增大, O(n!) 和 O(2^n) 是耗时增加最快的,也就是说,这样的代码,n一旦大了,立马会卡死,不用跑我们就能分析出来。

那什么样是的不容易卡死的呢?O(n)、O(nlogn)、o(logn)这种,随着数据规模的增大,耗时也不会增大很多。

所以我们说:

  • O(n!)、O(2^n) 的时间复杂度都是特别高的,是不好的,是要避免的。
  • O(n)、O(nlogn)、O(logn) 的时间复杂度是比较低的,是好的,是要尽量采用的。

根据这个结论,我们就可以评判一些代码写法的好坏,也就是算法的优劣了。

需要真实去跑代码么?不需要。

空间复杂度

空间复杂度也就是堆栈内存的分配与输入数据规模 n 的关系。

这里不包括全局变量,为什么呢?全局变量不会动态变啊,就相当于常数,可以省略,只分析变化的堆栈内存的复杂度就好了。

空间复杂度的分析方式和时间复杂度是类似的,只是不是把每一条语句作为 1,而是只把会分配内存的语句作为 1 来分析。

比如下面这段代码的空间复杂度就是 O(n)。

  1. function func(n) { 
  2.     let arr = []; 
  3.     for (let i = 0; i < n; i++) { 
  4.         arr.push(i); 
  5.     } 

总结

分析性能一般通过运行时的 Profiler 来收集数据,然后分析耗时和内存占用,比如 chrome devtoos 的 performance 和 memory 工具。

但是其实不用运行代码,我们也可以通过复杂度来估算出来:

我们把一条语句作为复杂度是 1,而随着输入数据规模 n 变化的为复杂度 n。

我们估算是为了分析出耗时/内存占用随着数据规模 n 的一个变化关系,所以会用 O(n) 来表达这种变化关系,叫做渐进时间复杂度。

求渐进时间复杂度时,常数可以省略,因为它们是固定不变的,而我们只需要分析变化的部分。

复杂度基本就 O(n) O(logn) O(n^2) O(2^n) O(n!) 这几种。

其中要注意的是 O(2^n) 就是当 n 每加一,多递归 2 次,而如果 n 每加 1,多递归 n 次,那么就是 O(n!) 的复杂度。

O(2^n) 和 O(n!) 的复杂度都是随着 n 增加,复杂度急剧增加的,也就是耗时/内存占用会急剧增加,这样的代码很容易卡死,所以是不好的。

而 O(logn) O(n) 都是随着 n 增加,复杂度增加很少的。也就意味了耗时更少,内存占用更少。这样的算法当然也就更好了。

所以我们就是通过复杂度来评价算法好坏的,它就代表了耗时/内存占用,但不是直接表示的,而是抽象的表示。

如果说想得到不同机器、环境下的具体耗时/内存占用,那么就用 Profiler 在运行时收集数据,然后做分析和可视化,否则,其实通过复杂度就能够抽象的估算出来大概的耗时和内存占用。

性能分析不一定得用 Profiler,复杂度分析也行,它能评价一个代码写法(算法)的好坏,进而估算出性能。

 

责任编辑:姜华 来源: 神光的编程秘籍
相关推荐

2020-08-30 14:31:40

Python编程语言开发

2021-02-26 09:04:22

数组ArrayListHashMap

2023-10-30 01:08:35

微信红包高性能架构

2022-12-26 09:16:45

Guava架构模型

2016-11-28 11:19:48

术语神秘

2018-12-18 10:11:37

软件复杂度软件系统软件开发

2018-03-09 10:34:48

显卡参数超频

2018-01-18 05:20:59

2017-01-19 17:57:47

大数据

2018-02-08 09:11:25

Linux命令rm

2011-01-12 18:38:25

2022-09-06 15:35:01

开源软件OSS

2020-11-30 06:26:31

算法时间表示法

2009-04-08 08:57:09

鸿海郭台铭职场出牌学

2010-04-14 09:32:40

Office 2010

2012-10-16 09:52:27

数据结构

2018-05-09 15:16:46

电竞显示器外观

2024-07-11 10:50:39

2013-08-14 18:25:28

2021-04-25 14:29:02

数据结构动态数组时间复杂度
点赞
收藏

51CTO技术栈公众号