数据结构与算法之美 03

复杂度分析（上）：如何分析、统计算法的执行效率和资源消耗

数据结构和算法本身解决的是“快”和“省”的问题，即如何让代码运行地更快，如何让代码更省存储空间。

一、为什么需要复杂度分析

• 测试结果非常依赖测试环境
• 测试结果受数据规模的影响很大

二、大O复杂度表示法

算法的执行效率，粗略的讲，就是算法代码执行的时间。

估算这段代码的执行时间。

int cal(int n){
    int sum = 0;
    int i = 1;
    int j = 1;
    for ( ; i<=n; ++i){
        for ( ;, j<=n; ++j){
            sum = sum + i * j;
        }
    }
    return sum;
}

整段代码总的执行时间T(n) = (2n^2 + 2n + 3)*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。T(n) = O(f(n))。

T(n)表示执行代码的时间；n表示数据规模的大小；f(n)表示每行代码执行的次数综合。公式中的O表示代码执行时间T(n)与f(n)表达式成正比。

所以这个例子中T(n) = O(2n^2 + 2n + 3)。

这就是大O时间复杂度表示法。大O时间复杂度实际上并不具体代表代码真正的执行时间，而是代表代码执行时间随数据规模增长的变化趋势，所以，也叫做渐进时间复杂度。

三、时间复杂度分析

• 只关注循环执行次数最多的一段代码
• 加法法则：总复杂度等于量级最大的那段代码的复杂度
• 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

四、几种常见时间复杂度

常量阶：O(1)          指数阶：O(2^n)           对数阶：O(logn)             阶乘阶：O(n!)

线性阶：O(n)          线性对数阶O(nlogn)    平方阶：O(n^2)、立方阶：O(n^3)、、、k次方阶O(n^k)

多项式阶：随着数据规模的增长，算法的执行时间和空间占用按照多项式的比例增长。包括常量阶、对数阶、线性阶、线性对数阶、平方阶、立方阶等；

非多项式阶：随着数据规模的增长，算法的执行时间和空间占用暴增，这类算法性能极差。包括指数阶和阶乘阶。

对数阶举例

i = 1；
while (i <= n){
    i = i*2;
}

五、空间复杂度分析

空间复杂度表示算法的存储空间与数据规模之间的增长关系，又称渐进空间复杂度。

void print(int n){
    int i = 0;
    int [] a = new int[n];
    for (i; i<n; ++i){
        a[i] = i * i;
    }

    for (i = n-1; i>=0; --i){
        print out a[i]
    }
}

第二行代码中，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，所以可以忽略。第三行中，我们申请了一个大小为n的int类型数据。所以整段代码的空间复杂度就是O(n)。

熟能生巧