算法时间复杂度的渐进表示法 + 分析窍门

如果算法里面只有加减法，则算法时间算加减法的次数。
如果算法里面包含加法和乘法，则算法时间一般只算乘法次数，因为计算机计算加减法很快，可忽略。

问题：什么是好的算法？

一个程序的运行时间，依赖与算法的好坏和问题的输入规模，问题的输入规模是指输入量的多少。

算法效率

• 最坏情况复杂度$T_{worst(n)}$
• 平均复杂度$T_{avg}(n)$

$$T_{avg(n)}\le T_{worst}(n)$$
除非特别指定，一般关心最坏情况的复杂度。

问题：怎么分析算法的复杂度？

不计循环索引的递增和循环终止条件、变量声明、打印结果等操作。

测定运行时间的方法：计算对运行时间由消耗的基本操作的执行次数。运行时间与这个计数成正比。

分析算法的运行时间：把基本操作的数量与输入规模关联起来，即基本操作的数量必须表示成输入规模的函数。

判断一个算法的效率时，函数中的常数和其他次要项常常可以忽略，而更应该关注主项（最高阶项）的阶数。

只需要关注随着处理的数据的规模的增大，算法复杂度的增长趋势。

在进行算法分析时，语句总的执行次数$T(n)$是关于问题规模n的函数，进而分析$T(n)$随n的变化情况并确定$T(n)$的数量级。算法的时间复杂度，记作：$T(n)=O(f(n))$。它表示随问题规模n的增大，算法执行时间的增长率和$f(n)$的增长率相同，称作算法的渐近时间复杂度。其中$f(n)$是问题规模n的某个函数。

推导大O阶方法：

1. 用常数1取代运行时间中的所有加法常数。
2. 在修改后的运行次数函数中，只保留最高阶项。
3. 如果最高阶项存在且不是1，则去除与这个项相乘的常数。

得到的结果就是大O阶。

时间复杂度的渐进表示法

• $T(n)=O(f(n))$表示存在常数$C>0$，$n_0>0$使得当$n\ge n_0$时有$T(n)\le C\cdot f(n)$
• $T(n)=\Omega (g(n))$表示存在常数$C>0$，$n_0>0$使得当$n\ge n_0$时有$T(n)\ge C\cdot g(n)$
• $T(n)=\theta (h(n))$表示同时有$T(n)=O(h(n))$和$T(n)=\Omega (h(n))$成立

$O(f(n))$可有无数种表达方式，一般取最小的上界
$\Omega (g(n))$可有无数种表达方式，一般取最大的上界
空间复杂度和时间复杂度同理

时间复杂度分析小窍门

• 若两段算法分别有复杂度$T_1(n)=O(f_1(n))$和$T_2(n)=O(f_2(n))$，则
  $T_1(n)+T_2(n)=max(O(f_1(n)),O(f(n)))$
  $T_1(n)+T_2(n)=O(f_1(n)\times f_2(n))$
• 若$T(n)$是关于n的k阶多项式，则$T(n)=\theta (n^k)$
• 一个for循环的时间复杂度等于循环次数乘以循环体代码的复杂度
• if-else结构的复杂度取决于if的条件判断复杂度和两个分枝部分的复杂度，总复杂度取三者中最大