数据结构与算法2——时间复杂度和空间复杂度

一、算法效率的度量方法

我们提到设计算法就要尽量的提高效率，这里效率高一般指的是算法的执行时间。所谓“是骡子是马拉出来溜溜”，比较容易想到的方法就是我们把算法跑个若干遍，然后拿个“计算器”在旁边计时。这种事后统计的方法看起来的确不错，并且也并非真的要你拿个计算器在那里算，因为计算机都有计时功能。

1. 事后统计方法
   ——缺陷：必须依据算法事先编好测试程序，通常需要花费大量的时间和精力。不同的测试环境差别很大。
2. 事前分析估算方法

举例：

第一种算法

int i, sum=0, n=100;		// 执行1次
for(i=1; i<=n; i++)			// 执行n+1次
{
	sum = sum +i;			// 执行n次
}

第二种算法

int i, sum=0, n=100;		// 执行1次
sum = (1+n)*n/2;			// 执行1次

第一种算法执行了1+（n+1）+n = 2n+2 次
第二种算法执行了1+1 = 2 次
如果我们把循环看做一个整体，忽略头尾判断的开销，那么这两个算法其实就是n和1的差距。
另一方面，我们研究算法的复杂度，侧重的是研究算法随着输入规模扩大增长量的一个抽象，而不是精确地定位需要执行多少次。

结论：随着输入的增加，不同的算法规模不一样。

举例：


看出啥？一条直线，当他们数据很小的时候是这样的：

这组数据我们可以清楚地看出，当n的值变得非常大的时候，3n+1已经没法和2n^2的结果相比较，最终可以忽略不计。而算法G在跟算法I基本上已经重合了。

结论：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（最高项）的阶数。

二、算法时间复杂度

一般情况下，随着输入规模n的增大，T(n)增长最慢的算法为最优算法。
显然，由此算法时间复杂度的定义可知，我们的三个求和算法的时间复杂度分别为O(1)，O(n)，O(n^2)。

举例：

1.常数阶（蓝线）

int sum=0, n=100;
printf("1115231676@qq.com\n");
printf("1115231676@qq.com\n");
printf("1115231676@qq.com\n");
printf("1115231676@qq.com\n");
printf("1115231676@qq.com\n");
printf("1115231676@qq.com\n");
sum= (1+n)*n/2; 

O(8)？
这是初学者常常犯的错误，总认为有多少条语句就有多少。分析一下，按照我们的概念“T(n)是关于问题规模n的函数”来说，打印的邮箱地址，跟问题规模并没有关系！所以我们记作O(1)就可以了。
另外，根据攻略来，那就更简单了，攻略第一条就说明了所有加法常数就给他个O(1)即可。

2.线性阶（红线）

int i, n=100, sum=0;
for(i=0; i<n; i++)
{
	sum=sum+i;
}

O(n)

3.平方阶（绿线）

n=100，就是说外层循环每执行一次，内层循环就执行100次，那总的程序想要从这两个循环出来，需要执行100*100次，也就是n的平方。所以这段代码的时间复杂度为O(n^2)。

4.对数阶

int i=1, n=100;
while(i<n)
{
	i=i*2;
}

由于每次i*2之后，就距离n更进一步，假设有x个2相乘后大于或者等于n，则会提出循环。
于是由2^x=n得到x=log(2)n，所有这个循环的时间复杂度为O(logn)。

三、函数调用的时间复杂度分析

举例：

n++
function(n);
for(i=0; i<n; i++)
{
	function(i);
}

for(i=0; i<n; i++)
{
		for(j=i; j<n; j++)
 		{
 			printf("%d",j);
 		}
}

O(n^2)

常见的时间复杂度：


最坏情况与平均情况：
比如我们查找一个有n个随机数字数组中的某个数字，最好的情况是第一个数字就是，那么算法的时间复杂度为O(1)，但也有可能这个数字就在最后一个位置，那么时间复杂度为O(n)。
平均运行时间就是期望的运行时间。
最坏运行时间是一种保证。

四、算法的空间复杂度

s(n)=O( f(n) )