复杂度分析

复杂度分析（渐进时间和空间复杂度）

---

• 复杂度分析解决的问题：
  在不使用事后统计法（通过在机器上跑代码来获得结论，难以控制变量）来分析代码执行效率的情况下，使用复杂度分析来分析算法执行效率
• 大O时间复杂度（渐进时间复杂度）：表示代码执行时间随随数据规模增长的变化趋势
  T(n)= O(f(n))
  T(n)表示代码的执行时间；n表示数据规模的大小
  f（n）代表每行代码执行的次数总和
  O表示成正比

---

时间复杂度分析

1.只关注循环执行次数最多的一行代码
大O只是表示一种变化趋势。忽略掉公式中的常量，低阶，系数，只需要记录一个最 大阶的量级就可以了
2.加法法则：总复杂度等于量级最大的那段代码的复杂度
循环执行100此也只是一个常量级执行时间，与n规模无关
只要是一个已知数，跟n无关，是常量级的执行时间
3.乘法法则：嵌套的时间复杂度等于嵌套内外代码复杂度的乘积

• 复杂度量级分为：多项式量级和非多项式量级
• 非多项式量级：指数阶和阶乘阶
• 数据规模n越来越大，非多项式量级算法会急剧增加，求解问题时间会无限增长，所以是非常低效的算法

• O(1)
  常量级时间复杂度，非执行了一行代码。
  代码的执行时间不随n的增大而增大，就为O（1）。不存在循环语句和递归算法，上万行代码也是常量级。
• 对数阶和对数的倍数阶

while (i<n){
           i*=2;
       }

2的i次方等于n，所以i就等于二为底的对数阶
忽略底数，通称对数阶
在对数阶上加上循环，循环几次就是几倍
归并，快排就是n倍的对数阶

• 加法和乘法（两个未知的数据规模m和n）
  两个不同的数据规模m和n，只能相加，不能取最大规模。因为无法判断谁的规模大

• 空间复杂度
  看申请的空间大小

 int[] x = new int[10];

这个的空间复杂度为O（1），如果换为n，就是n了。
越高阶复杂度的算法，执行效率越低
从低到高：1，对数，你，对数的n倍，平方

• 最好情况时间复杂度

在最好的情况下的时间复杂度，循环次数最少的

• 最坏情况时间复杂度

在最复杂情况下的时间复杂度

• 平均情况时间复杂度

复杂度的加权平均值，或者期望时间复杂度

• 均摊时间复杂度

对一个数据进行一组连续的操作中，大部分情况下时间复杂度都很低，只有个别的情况下时间复杂度很高，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，平摊到其他时间复杂度较低的操作上。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。