复杂度分析下

这篇博客简单总结了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 四种复杂度。
分析这四种复杂度的原因是同一段代码，在不同输入的情况下，复杂度量级有可能是不一样的。

首先根据以下代码快速理解前三种复杂度：

// n表示数组array的长度
int find(int[] array, int n, int x) {
  int i = 0;
  int pos = -1;
  for (; i < n; ++i) {
    if (array[i] == x) {
       pos = i;
       break;
    }
  }
  return pos;
}

这段代码，是在数组中找一个值，找到了就返回下标并停止循环。
最好情况时间复杂度：
最好情况当然是目标值就在数组的第一个位置，此时时间复杂度是O(1)

最坏情况时间复杂度：
最坏情况就是这个目标元素在数组最后一个位置或者根本不在这个数组中，此时时间复杂度是O(n)

平均情况时间复杂度：
我们知道，要查找的变量 x，要么在数组里，要么就不在数组里。这两种情况对应的概率统计起来很麻烦，为了方便你理解，我们假设在数组中与不在数组中的概率都为 1/2。另外，要查找的数据出现在 0～n-1 这 n 个位置的概率也是一样的，为 1/n。所以，根据概率乘法法则，要查找的数据出现在 0～n-1 中任意位置的概率就是 1/(2n)，由下图计算可知，时间复杂度为O(n)。

均摊时间复杂度：
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。

 // array表示一个长度为n的数组
 // 代码中的array.length就等于n
 int[] array = new int[n];
 int count = 0;
 
 void insert(int val) {
    if (count == array.length) {
       int sum = 0;
       for (int i = 0; i < array.length; ++i) {
          sum = sum + array[i];
       }
       array[0] = sum;
       count = 1;
    }

    array[count] = val;
    ++count;
 }

这段代码目的是往数组插入值O(1)，但插入之前会有一个提前的判断，如果数组没有空闲空间了就遍历数组求和，并把和放到数组第一个位置，再在剩余的空间插入值

最好的情况是数组中有空间，直接插入O(1) ，最坏的情况没有空间，遍历数组O(n) ， 平均时间复杂度O(1):假设数组的长度是 n，根据数据插入的位置的不同，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，还有一种“额外”的情况，就是在数组没有空闲空间时插入一个数据，这个时候的时间复杂度是 O(n)。而且，这 n+1 种情况发生的概率一样，都是 1/(n+1)。所以，根据加权平均的计算方法，我们求得的平均时间复杂度就是

均摊时间复杂度：我们还是继续看在数组中插入数据的这个例子。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)。

总结：
平均和均摊基本就是一个概念，均摊是特殊的平均。在分析时间复杂度是O(1)还是O(n)的时候最简单就是凭感觉，出现O(1)的次数远大于出现O(n)出现的次数，那么平均和均摊时间复杂度就是O(1)。