Complejidad de un algoritmo.

Entender la complejidad de un algoritmo es importante, a la hora de resolver

muchos problemas, utilizamos algoritmos ya diseados. Saber valorar su
valor de complejidad puede ayudarnos a conocer cmo se va a comportar el
algoritmo e incluso a escoger uno u otro. Podemos entender por algoritmo
una secuencia de instrucciones cuyo objetivo es la resolucin de un
problema. El trmino clave aqu es el de problema. Saber si un algoritmo es
mejor que otro puede estudiarse desde dos puntos de vista: un algoritmo es
mejor cuanto menos tarde en resolver un problema, o bien es tanto mejor
cuanta menos memoria necesite. A la idea del tiempo que consume un
algoritmo para resolver un problema le llamamos complejidad temporal y a
la idea de la memoria que necesita el algoritmo le llamamos complejidad
espacial. Cada problema tiene uno o varios valores que determinan su talla.

La complejidad no es un nmero: es una funcin

Otra consideracin a tener en cuenta a la hora de tratar con la complejidad
es que si estamos contando el tiempo que tarda un algoritmo en resolver un
problema En qu ordenador lo ejecutamos? Parece obvio que el mismo
algoritmo ejecutado en un ordenador el doble de rpido que otro tardar la
mitad en encontrar la solucin. Bueno... pues vamos a adoptar una
simplificacin que nos permita no tener en cuenta en qu ordenador se
ejecutar el algoritmo: en lugar de medir tiempos, vamos a contar las
instrucciones que debe realizar el algoritmo. Supondremos que cada
instruccin se ejecuta en un tiempo constante.
Nos podemos permitir esa simplificacin porque lo que realmente queremos
saber es cmo crece el nmero de instrucciones necesarias para resolver el
problema con respecto a la talla del problema. Eso es realmente la
complejidad.
lo que nos importa realmente de un algoritmo: saber cmo crece el nmero
de instrucciones a realizar conforme lo apliquemos cada vez a problemas ms
grandes, ms que el tiempo medido en segundos.
Cmo se comparan unos algoritmos con otros? Bueno... la idea de la
complejidad de un algoritmo, es conocer cmo se comporta el tiempo de
ejecucin conforme la talla del problema va creciendo.... especialmente para
valores muy grandes... lo ms grandes que podamos imaginar, y
especialmente en el peor de los casos.

Entendiendo la notacin Big-O

La notacin Big-O nos proporciona una manera de saber cmo se va a
comportar un algoritmo en funcin de los argumentos que le pasemos y la
escala de los mismos. una funcin que se utiliza para localizar un elemento
dentro de una lista de elementos previamente guardados. Si la
documentacin de la misma nos dice que es una operacin de tipo O(1),
quiere decir que da igual cuntos elementos haya en la lista, la operacin
siempre tarda lo mismo. Para ser ms exactos deberamos decir que el
esfuerzo de cmputo necesario es el mismo.
por eso, por ejemplo, que en la documentacin el indizador Item de un
ArrayList que vimos antes, tenga complejidad O(1) quiere decir que da
exactamente igual que la coleccin tenga uno o un milln de elementos:
insertar o recuperar un elemento siempre tarda ms o menos lo mismo. . O
sea, el tiempo necesario para ejecutar la funcin es funcin directa y lineal
del nmero de elementos que le pasemos. Es muy importante conocer el tipo
de funcin/curva que se asocia con la ejecucin de una funcin ya que nos
permitir saber de antemano si el rendimiento de nuestra aplicacin se
puede resentir en caso de que el tamao de los datos a manejar aumente
mucho. As, entre dos algoritmos/funciones que hagan lo mismo, deberamos
elegir el que tenga una complejidad asinttica menor, para lo cual
consultaremos la notacin Big-O asociada al mismo.
Atendiendo a su complejidad, las notaciones Big-O ms comunes para todo
tipo de algoritmos y funciones son las que se muestran en esta lista:
O(1): constante. La operacin no depende del tamao de los datos. Es el caso
ideal, pero a la vez probablemente el menos frecuente. No se ve en la grfica
de ms abajo porque la logartmica le pasa justo por encima y la tapa.
O(n): lineal. El tiempo de ejecucin es directamente proporcional al tamao
de los datos. Crece en una lnea recta.
O(log n): logartmica. por regla general se asocia con algoritmos que
"trocean" el problema para abordarlo, como por ejemplo una bsqueda
binaria.
O(nlogn): en este caso se trata de funciones similares a las anteriores, pero
que rompen el problema en varios trozos por cada elemento, volviendo a
recomponer informacin tras la ejecucin de cada "trozo". Por ejemplo, el
algoritmo de bsqueda Quicksort.
O(n2): cuadrtica. Es tpico de algoritmos que necesitan realizar una iteracin
por todos los elementos en cada uno de los elementos a procesar. Por
ejemplo el algoritmo de ordenacin de burbuja. Si tuviese que hacer la
iteracin ms de una vez seran de complejidad O(n3), O(n4), etc... pero se
trata de casos muy raros y poco optimizados.
O(2n): exponencial. Se trata de funciones que duplican su complejidad con
cada elemento aadido al procesamiento. Son algoritmos muy raros pues en
condiciones normales no debera ser necesario hacer algo as. Un ejemplo
sera, por ejemplo, el clculo recursivo de la serie de Fibonacci, que es muy
poco eficiente (se calcula llamndose a s misma la funcin con los dos
nmeros anteriores: F(n)=F(n-1)+F(n-2)).
O(n!); explosin combinatoria. Un algoritmo que siga esta complejidad es un
algoritmo totalmente fallido. Una explosin combinatoria se dispara de tal
manera que cuando el conjunto crece un poco, lo normal es que se considere
computacionalmente inviable. Solo se suele dar en algoritmos que tratan de
resolver algo por la mera fuerza bruta. No deberas verlo nunca en un
software "real".