估算程序的运行效率

算法的时间复杂度

有事后统计法和事前统计法，事后统计法一般不使用。

事后统计法：
比较不同算法对同一组输入数据的运行处理时间
缺陷：
为了获得不同算法的运行时间必须编写相应程序， 运行时间严重依赖硬件以及运行时的环境因素，算法的测试数据的选取相当困难
事后统计法虽然直观，但是实施困难且缺陷多，一般不予考虑。

事前分析估算：
依据统计的方法对算法效率进行估算

影响算法效率的主要因素：

• 算法采用的策略和方法
• 问题的输入规模
• 编译器所产生的代码，C比java要快
• 计算机执行速度

简单估算，如下图所示：

判断一个算法的效率时，往往只需要关注操作数量的最高次项，其它次要项和常数项可以忽略。

大O表示法

算法效率严重依赖于操作(Operation)数量
在判断时首先关注操作数量的最高次项
操作数量的估算可以作为时间复杂度的估算
O(5) = O(1)
O(2n + 1) = O(2n) = O(n)
O(n2 + n + 1) = O(n^2)
O(3n3+1) = O(3n3) = O(n^3)

常见时间复杂度类型 和 大小关系：

他们之间的大小关系为：

上述各式中，n表示输入的数据的规模的大小。

在没有特殊说明时，我们所分析的算法的时间复杂度都是指最坏时间复杂度。

算法的空间复杂度

算法的空间复杂度通过计算算法的存储空间实现：
S(n) = O(f(n))
其中，n为问题规模，f(n)为在问题规模为n时所占用存储空间的函数。

大O表示法同样适用于算法的空间复杂度。
当算法执行时所需要的空间是常数时，空间复杂度为O(1)。

举例说明：

空间与时间的策略
多数情况下，算法执行时所用的时间更令人关注。

如果有必要，可以通过增加空间复杂度来降低时间复杂度，同理，也可以通过增加时间复杂度来降低空间复杂度。

在实现算法时，需要分析具体问题对执行时间和空间的要求。