算法复杂度分析

时间复杂度

时间复杂度：用大O来表示，一般的有O(1),O(n),O(logn),O(nlogn),O(n2)

O(1)：算法的运行时间不随数据集N的变大而变大

O(n)：算法的运行时间跟数据集呈线性增长趋势

O(n2)：一般多出现在两层循环中出现

上图程序总时间

当 n 很大时，你可以把它想象成 10000、100000。而公式中的低阶、常量、系数三部分并不左右增长趋势，所以都可以忽略。我们只需要记录一个最大量级就可以了，如果用大 O 表示法表示刚讲的那两段代码的时间复杂度，就可以记为：T(n) = O(n)； T(n) = O(n2)。

unit_time:代码执行的单位时间

复杂度计算法则：

1. 只关注循环执行次数最多的一段代码（高阶部分会真正影响一个算法的时间趋势）

2.加法法则：总复杂度等于量级最大的那段代码的复杂度

3.乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

O(logn):对数复杂度，例如下面那个程序

 

其余几个时间和数据集关系图如下：

时间复杂度根据数据集合的情况，还分为最好时间复杂度，最差时间复杂度，均摊时间复杂度，平均时间复杂度。

最好，最坏时间复杂度：顾名思义就是在最理想和最糟糕情况下，执行代码的时间复杂度。

平均时间复杂度：所有情况下需要执行代码的次数累加起来除以所有的情况数。有些情况下还得要考虑下数据的概率问题。

示例程序：

均摊时间复杂度：某段代码大部分情况下时间复杂度都很低（O(1)）,只有到某个时候复杂度会很高，程序执行的操作存在前后连贯的时序，也就是前面较低的时间复杂度操作到最后会有个复杂度较大的操作存在。个人理解就是把最坏那次的时间复杂度均摊到了之前n-1次的O(1)型的时间复杂度上，所以可以保证算法整体的时间复杂度比较低。

示例程序：

 

 

空间复杂度

定义：全称就是渐进空间复杂度（asymptotic space complexity），表示算法的存储空间与数据规模之间的增长关系。

上面这段代码，空间复杂度为：O(n)

常见的空间复杂度就是: O(1)、O(n)、O(n2)

 

参考：极客时间《数据结构和算法》专栏