数据结构1：算法复杂度分析

复杂度分析

• 声明的赋值度： 无

• 每条赋值的复杂度：1

• 每条判断的复杂度：1

• 判断的分支：计算所有情况中复杂度较大者

• 返回return的复杂度：1

但是注意若一个函数中有多个return ，执行时只执行其中一个，只能算一次。

若返回return中仍有表达式，不算复杂度

float  rsum ( float  list[ ],  int  n )
{  /* add a list of numbers */
   if ( n )    //判断 1
       return rsum(list, n - 1) + list[n - 1];//return中的表达式不算，return 1次
   return   0;//多个return只算一次
}

• 递归的复杂度：

retun 算一次，return中调用该函数的，调用几次，各自计算

列递推关系式求解，比如上方的是 T(n) = T(n-1) + 2

解得T(n) = 2n + 2

复杂的递归式这里不做解法分析

• 循环的复杂度：

对于for循环从0到n，循环体中的内容执行n次，for语句的循环变量执行n+1次

故总执行次数 = n+1+n*(循环体中语句执行次数)

比如代码

void  add ( int  a[ ][ MAX_SIZE ], 
                   int  b[ ][ MAX_SIZE ], 
                   int  c[ ][ MAX_SIZE ],
                   int  rows,  int  cols )
{
    int  i,  j ;//声明复杂度无
    for ( i = 0; i < rows; i++ )//对于该循环体，复杂度为rows+1+rows(i的内部)
          for ( j = 0; j < cols; j++ )//对于i的内部，复杂度为cols+1+cols(j的内部)
                c[ i ][ j ] = a[ i ][ j ] + b[ i ][ j ];//j的内部=1
}

总的复杂度为：rows+ 1 + rows(cols + 1 + cols * 1) = 2 rows * cols + 2rows + 1

复杂度符号

符号	意义
$O(N)$	复杂度上界
$\Omega (N)$	复杂度下界
$\Theta (N)$	复杂度的常数倍
$o(N)$	是上界，但不是常数倍（O(N)可能和$\Omega$相等，但是o(N)要求大于$\Omega$）

比较：

$o(N)>N$

$O(N)\ge \Theta (N)=c\ast N\ge \Omega (N)$

大致分析：

循环：循环内部的乘其外部所有循环的次数之积

相加后总是考虑更大的部分

题目

1.The Fibonacci number sequence {F​N​​ } is defined as: F​0​​ =0, F​1​​ =1, F​N​​ =F​N−1​​ +F​N−2​​ , N=2,3,… The time complexity of the function which calculates F​N recursively is Θ(N!).(3分)

计算斐波那契数列复杂度为$1.5^N<\Theta (N)<2^N$，N!显然比$2^N$大，故选F

2.n^​0.01 is O(logn)

n的多少次最后都比logn大，故选F

3.For the following piece of code

if ( A > B ){     
  for ( i=0; i<N*2; i++ )         
    for ( j=N*N; j>i; j-- )             
      C += A; 
}
else {     
  for ( i=0; i<N*N/100; i++ )         
    for ( j=N; j>i; j-- ) 
      for ( k=0; k<N*3; k++)
        C += B; 
} 

the lowest upper bound of the time complexity is O(N^3).

if中复杂度为N^3，注意N*2不是N平方，else复杂度为N * N * N(当i到n的时候就不进去了，因此外循环按N算，答案为T)

4.Given the following four algorithms with their runtimes for problem size 100 and their time complexities
Which algorithm is the fastest for problem size 200?

给了一些O(f(N))，当N=100时的复杂度，问N=200时的复杂度。
O(x)是近似线性的，所以直接按照f(2N)增大的倍数算

5.Let n be a non-negative integer representing the size of input. The time complexity of the following piece of code is:

x = 0;
while ( n >= (x+1)*(x+1) )
    x = x+1;

循环结束的条件是$x+1<\sqrt{N}$，故为O(N^0.5)

6.The recurrent equations for the time complexities of programs P1 and P2 are:
P1: T(1)=1,T(N)=T(N/3)+1
P2: T(1)=1,T(N)=3T(N/3)+1
Then the correct conclusion about their time complexities is:

求递归复杂度，一种方法是直接代入法：
T(N)=T(N/3)+1
T(N/3) = T(N/9)+1
…
T(N) = T(N/3)+1 = T(N/9) + 2 = …=T(N/3^k) + k
加到T(1)为止，所以
N = 3 ^ k,
k = c * log(N)
T(N) = c*log(N)+T(1)
类似可得T(N) = 3 ^ k T( N/3 ^ k ) + 3 ^ n-1 + …3 + 1
N = 3^k
最后可得T(N) = O( N)

7.To judge an integer N (>10) is prime or not, we need to check if it is divisible by any odd number from 3 to √​N​​ . The time complexity of this algorithm is __.

题目说N ^ 0.5的奇数，所以还是O(N ^ 0.5)

8.The Fibonacci number sequence {F​N​​ } is defined as: F​0​​ =0, F​1​​ =1, F​N​​ =F​N−1​​ +F​N−2​​ , N=2, 3, … The space complexity of the function which calculates F​N​​ recursively is:

空间复杂度为O(N)

9.For the following function

int func ( int n )
{   int i = 0, sum = 0;
    while ( sum < n )  sum += ++i;
    return i;
}

the time complexity is:
(5分)
A.O(nlogn)
B.O(logn)
C.O(n)
D.O(n​1/2​​ )

注意i会自加，因此其实sum=1+2+…+N，sum=O(N^2),n=O(N ^0.5)

注意点

循环了几次，是N还是N^2

循环中是所有的数都做了吗？

递归式怎么求复杂度

如果循环变量在表达式中不是n，那么化为n

i ^ 0.5 < N,化为 i < N ^ 2,故循环的是O(N^2)