《数据结构》| 第二章 算法分析

算法分析

估计算法的时间复杂度

为了简单起见，我们只采用大O的定义：

定义: 如果存在正常数 $c$ 和 $n_0$ 使得当 $N⩾n_0$ 时 $T(N)<=cf(N)$，则记为
$$T(N)=O(f(N))$$
当我们说$T(N)=O(f(N))$时，我们是保证函数$T(N)$在以不快于$f(N)$的速度增长，因此，$f(N)$是$T(N)$的一个上界。

对于一个具体的程序，我们通常希望知道它的时间复杂度和空间复杂度（这个我们放到以后再说），这就是我们要做的算法分析，我们看一个简单的例子：

int Sum(int N){
	int i,sum=0;
	for(i = 1;i <= N;i++ ){
		sum += i;
	}
	return sum;
}

假设 sum+=i 这个操作需要耗费1个时间单元，它被执行了N次。初始化 i 和 sum 各需要1个时间单元，返回值也需要1个，那么这段程序的开销就是N+3。我们会说这段程序的时间复杂度是$O(N)$。

简单计算时间复杂度的方法

最简单的，我们只需要数出循环的开销就可以了。
循环嵌套则将其开销相乘。
递归的程序则判断递归的总空间（例如归并排序，快速排序，回溯法）。
我们不关心常数和增长率较小的函数，我们只关心最大的，增长最快的函数。
常见的时间复杂度函数（由“小”到“大”）：

函数	名称
c	常数
$logN$	对数级
$lo{g}^{2}N$	对数平方
$N$	线性
$NlogN$
$N^2$	平方级
$N^3$	立方级
$2^N$	指数级

参考资料：
Data Structures and Algorithm Analysis in C – Mark Allen Weiss