算法学习笔记--复杂度分析（上）

一、复杂度分析
1、为什么进行复杂度分析？研究算法与数据结构，目的在于“快执行+省存储空间”，故对代码的复杂度进行分析是极有必要的；
2、对比事后统计法（应该就是评论区里说的性能测试）的优点在于：后者依赖测试环境，且受数据规模的影响大，标准难把控；
3、概念：不利用测试数据，粗略估算代码的执行效率。
二、大O复杂度表示方法
1、T(n)=O(F(n)) ：T(n)代表代码执行时间，F(n)代表代码总执行次数，O表示代码执行时间与代码总执行次数成正比。
2、大O时间复杂度代表代码执行时间随数据规模增长的变化趋势，数据规模超大时，低阶、常量、系数并不能左右增长趋势，所以只需记录最大量级即可。
三、常见的时间复杂度的分析方法：
1、只关心循环执行次数最多的代码；
2、加法法则，取量级更大的那个:T(n)=O(max(f(n),g(n)));
3、乘法法则，嵌套代码复杂度=嵌套内外复杂度的乘积:T(n)=O(f(n)*g(n));

四、常见时间复杂度
第一种：多项式时间复杂度(按数量级递增)
1、O(1) 常量阶，代码执行时间不随n增大而增大，见于无循环无递归代码，不论多少行~O(1)是一种表示方式（不论多少行）；
2、O(logN)对数阶，因为对数可以互相转换，且常量系数可忽略，所以忽略对数的底；
3、O(n)线性阶；
4、O(nlogN)对数线性阶；
5、各种次方阶。
第二种：非多项式时间复杂度：O(2的n次方) 和 O(n!) 属于非常低效的算法
第三种：O（m+n）与O(m*n)，代码复杂度由两个数据规模决定，由于无法得知m、n哪个量级更大，故不能直接取其一。
五、空间复杂度分析
1、定义：算法存储空间与数据规模增长的关系，主要看声明的空间存储变量所需要的控件存储量
2、O(1)、O(n)、O(n平方)，个人认为可参考基本数据类型、一维数组、二维数组，希望老师可以加上代码举例。

六、关于复杂度分析与性能测试孰优孰略的思考

此处，附上他人的一段分析，感觉特别有道理：

在实际编程中，时刻关心理论时间，空间度模型是有助于产出效率高的程序的，同时，因为渐进式时间，空间复杂度分析只是提供一个粗略的分析模型，因此也不会浪费太多时间，重点在于在编程时，要具有这种复杂度分析的思维。

七、附加信息

（对于空间复杂度没有落实到代码的理解，摘抄的附加信息）

1、存储一个二进制数，输入规模（空间复杂度）是O(logn) bit：

比如存储8的二进制需要3个bit，存储16的二进制需要4个bit，存储某个二进制数，自然要O（logN）bit。