3.时间复杂度分析

复杂度分析是整个算法的精髓。

从 CPU 的角度来看，这段代码的每一行都执行着类似的操作：读数据-运算-写数据。尽管每行代码对应的 CPU 执行的个数、执行的时间都不一样，但是，我们这里只是粗略估计，所以可以假设每行代码执行的时间都一样，为 unit_time。

所有代码的执行时间 T(n) 与每行代码的执行次数 n 成正比

大 O 复杂度表示法

粗略地估计算法的执行效率的方法；

T(n)表示代码执行的时间；

n 表示数据规模的大小；

f(n) 表示每行代码执行的次数总和。因为这是一个公式，所以用 f(n) 来表示。

公式中的 O，表示代码的执行时间 T(n) 与 f(n) 表达式成正比。

 

大 O 时间复杂度实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度（asymptotic time complexity），简称时间复杂度。

1. 只关注循环执行次数最多的一段代码

2. 加法法则：总复杂度等于量级最大的那段代码的复杂度

3. 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

 

几种常见时间复杂度实例分析

 

我们可以粗略地分为两类，多项式量级和非多项式量级。其中，非多项式量级只有两个：O(2n) 和 O(n!)。

 

O(1)

或者说，一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其时间复杂度也是Ο(1)

2. O(logn)、O(nlogn)

对数阶时间复杂度非常常见，同时也是最难分析的一种时间复杂度。

i := 1

for i <= n {

i = i * 2

}

变量 i 的值从 1 开始取，每循环一次就乘以 2。当大于 n 时，循环结束。还记得我们高中学过的等比数列吗？实际上，变量 i 的取值就是一个等比数列。如果我把它一个一个列出来，就应该是这个样子的

 

我们只要知道 x 值是多少，就知道这行代码执行的次数了。通过2x=n 求解 x x=log2n，所以，这段代码的时间复杂度就是 O(log2N).

log3n 就等于 log32 * log2n，所以 O(log3n) = O(C * log2n)，其中 C=log32 是一个常量。

3. O(m+n)、O(m*n)

func cal(m, n int) {

sum_1 := 0

i := 1

for ; i < m; i++ {

sum_1 = sum_1 + i

}



sum_2 := 0

j := 1

for ; j < n; j++ {

sum_2 := sum_2 + j

}


return sum_1 + sum_2

}

m 和 n 是表示两个数据规模。我们无法事先评估 m 和 n 谁的量级大，所以我们在表示复杂度的时候，就不能简单地利用加法法则，省略掉其中一个.

空间复杂度分析

func print(n int) {

i := 0;

a := [n]int{}

for i; i <n; i++ {

a[i] = i * i;

}


for i = n-1; i >= 0; i-- {

fmt.Println(a[i])

}

}

我们可以看到，第 2 行代码中，我们申请了一个空间存储变量 i，但是它是常量阶的，跟数据规模 n 没有关系，所以我们可以忽略。第 3 行申请了一个大小为 n 的 int 类型数组，除此之外，剩下的代码都没有占用更多的空间，所以整段代码的空间复杂度就是 O(n)。

 

我们常见的空间复杂度就是 O(1)、O(n)、O(n2 )，像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到。而且，空间复杂度分析比时间复杂度分析要简单很多。所以，对于空间复杂度，掌握刚我说的这些内容已经足够了。

最好情况复杂度分析:在最理想的情况下，执行这段代码的时间复杂度

最坏情况复杂度分析:在最糟糕的情况下，执行这段代码的时间复杂度

平均情况复杂的分析:加权平均值

均摊时间复杂度：场景比较特殊，一般用不到。

// array 表示一个长度为 n 的数组

// 代码中的 len(array)就等于 n

array := [n]int{}

count := 0

func insert(val int) {

if count == len(array) {

sum := 0

for i := 0; i <len(array); i++ {

sum = sum + array[i]

}

array[0] = sum

count = 1

}



array[count] = val

count++

}

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)。这就是均摊分析的大致思路