算法复杂度分析（下）

最新推荐文章于 2024-07-11 09:00:00 发布

平行宇宙（EUEH）

最新推荐文章于 2024-07-11 09:00:00 发布

阅读量168

点赞数

分类专栏：算法文章标签：算法数据结构 js

本文链接：https://blog.csdn.net/EUEHEUEN/article/details/114524899

版权

算法专栏收录该内容

10 篇文章 0 订阅

订阅专栏

扫码关注公众号，获取更多内容

一、最好、最坏情况时间复杂度

二、平均情况时间复杂度

三、均摊时间复杂度

通过算法复杂度分析（上），我们掌握了大部分的算法分析方法，本文将继续讲解四个复杂度分析方面的知识点：最好情况时间复杂度、最坏情况时间复杂度、平均情况时间复杂度、均摊时间复杂度。

一、最好、最坏情况时间复杂度

我们来分析下面这段代码的时间复杂度

function find(array, x) {
    let pos = -1;
    for (let i = 0; i < array.length; i++) {
        if (array[i] === x) {
           pos = 1
        }
    }
    return pos
}

上方代码的目的是查找array中是否存在x元素，如果存在，就返回1，没有则返回-1，通过分析，我们可以知道上方代码的复杂度为O(n)，请中n为数组长度（array.length）。

我们在数组中查找一个数据，他可能在数据中的任何一个位置，也可能不存在，所以我们可以对上述代码进行优化（当找到时，跳出循环）。

function find2(array, x) {
   let pos = -1;
   for (let i = 0; i < array.length; i++) {
       if (array[i] === x) {
          pos = 1;
          break;
       }
   }
   return pos
}

那么经过优化，上方代码的复杂度是多少呢？

如果数组中的第一个元素正好是要查找的变量x，则时间复杂度是O(1)，他代表在最理想的情况下，执行这段代码的时间复杂度，我们称之为最好情况时间复杂度。

如果不存在变量x，则需要把数组全都遍历一遍，时间复杂度就是O(n)，他代表在最糟糕的情况下，执行这段代码的时间复杂度，我们称之为最坏情况时间复杂度。

二、平均情况时间复杂度

最好情况时间复杂度和最坏情况时间复杂度对应的都是极端情况下的代码复杂度，发生的概率其实并不大，为了更好的表示平均情况下的复杂度，我们需要引入一个概念：平均情况时间复杂度。

平均时间复杂度怎么分析呢？我们借助上面的例子：

我们要查找变量x在数组中的位置，一共有n+1（n为数组长度）中情况（在数组中：在数组的 0 ~ n-1位置中，共有n种情况，不在数组中：1种情况），我们把每种情况下，查找需要遍历的元素个数累加起来，然后再除以n+1，就可以得到需要遍历的元素个数的平均值：（1+2+3+...+n+n）/(n+1) = n(n+3)/2(n+1)

通过上一篇文章我们知道，时间复杂度大O标记法中，可以省略掉系数、低阶、常量，所以把上面的结果简化后，得到时间复杂度是O(n)。

这个结论虽然是正确的，但是计算过程稍微有点问题，因为n+1种情况，有着出现的概率的问题。

要查找变量x，要么在数组中，要么不在数组中，这两种真实的出现概率统计起来比较繁琐，我们简化下，假设在数组中和不在数组中的概率都是1/2，另外，要查找到的数据出现在0 ~ n-1这n个位置的概率也是一样的，为1/n，所以要查找的数据出现在0 ~ n-1中任意位置的概率是1/(2n)。

当把出现的概率考虑进去后，上面的平均值公式就变为：1*(1/2n) + 2*(1/2n) + 3*(1/2n) + ... + n*(1/2n) + n*(1/2) = (3n+1)/4

上述结果用大O来表示，去掉系数和常量，最终的结果依然是O(n)。

三、均摊时间复杂度

我们来看下面的例子：

let array = new Array(n); // n为任意数值，在此未知
let count = 0;

function insert(value) {
    if (count === array.length) {
       let sum = 0;
       for (let i = 0; i < array.length; i++) {
           sum = sum + array[i]
       }
       array[0] = sum;
       count = 1;
     }
     array[count] = value;
     count++;
}

上述代码实现了一个往数组中插入数据的功能，当数组满了之后（count === array.length时），我们用for循环遍历数组求和，并清空数组，将求和之后的sum值放到数组的第一个位置，然后再将数据插入，如果数组一开始就是有空闲空间，则将数据插入数组。

那么上述代码的时间复杂度是多少呢？我们先用刚才讲到的三种时间复杂度分析方法来分析一下：

最理想情况下：数组中有空闲空间，我们直接插入到下标为count的位置，所以最好情况时间复杂度是O(1)。

最坏情况下，数组中没有空间了，我们需要先做一次遍历求和，然后再将数据插入，所以最坏情况时间复杂度是O(n)。

平均时间复杂度：数组长度是n，根据数据插入的位置不同，我们可以分为n种情况，每种情况的时间复杂度是O(1)，除此之外，在数组没有空闲的时候插入一个数据，这时候的时间复杂度是O(n)，这n+1种情况发生的概率相同，都是1/(n+1)。所以我们可以得到平均时间复杂度是：1*(1/(n+1)) + 1*(1/(n+1)) + 1*(1/(n+1)) + ...+n*(1/(n+1)) = O(1) （n个1/(n+1)相加，再加上额外的 n*(1/(n+1))情况，得到结果为2n/(n+1) 忽略掉系数和常数项，得到n/n = 1）。

接下来我们来看一下均摊时间复杂度的分析：

每一次O(n)的插入操作，都会跟着n-1次O(1)的插入操作，所以把耗时多的那次操作均摊到接下来的n-1次耗时少的操作上，均摊下来，这一组连续的操作的均摊时间复杂度就是O(1)。

均摊时间复杂度适应于以下场景：

对一个数据结构进行一组连续操作中，大部分情况下时间复杂度都很低，只有个别情况下时间复杂度比较高，而且这些操作之间存在前后连贯的时序关系，这个时候，我们就可以将这一组操作放在一块儿分析，看是否能将较高时间复杂度那次操作的耗时，平摊到其他那些时间复杂度比较低的操作上。而且，在能够应用均摊时间复杂度分析的场合，一般均摊时间复杂度就等于最好情况时间复杂度。

部分参考：数据结构与算法之美