复杂度分析（上）时间复杂度、空间复杂度

• 为什么要有复杂度分析？

为了肉眼、实时、快速地来分析出代码的复杂度，我们需要一个不用具体的测试数据来测试，就可以粗略地估计算法的执行效率的方法。

• 大O复杂度表示法

时间复杂度+空间复杂度

• 时间复杂度

表示算法的执行时间与数据规模之间的增长关系。

1. 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。以上代码则为(2n+2)*unit_time 所以，整段代码总的执行时间 T(n) = (2n+2)*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。则有 T(n) = O(2n+2)
2. 只关注循环执行次数最多的一段代码O(2n+2)则直接表示为O(n)
3. 加法法则：总的时间复杂度就等于量级最大的那段代码的时间复杂度。那我们将这个规律抽象成公式就是：如果 T1(n)=O(f(n))，T2(n)=O(g(n))；那么 T(n)=T1(n)+T2(n)=max(O(f(n)), O(g(n))) =O(max(f(n), g(n))).
4. 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

T1(n) = O(n)，T2(n) = O(n2)，则 T1(n) * T2(n) = O(n3)。落实到具体的代码上，我们可以把乘法法则看成是嵌套循环

• 几种常见的多项式时间复杂度

O(1)

O(logn)、O(nlogn)

实际上，不管是以 2 为底、以 3 为底，还是以 10 为底，我们可以把所有对数阶的时间复杂度都记为 O(logn)。为什么呢？我们知道，对数之间是可以互相转换的，log3n 就等于 log32 * log2n，所以 O(log3n) = O(C * log2n)，其中 C=log32 是一个常量。基于我们前面的一个理论：在采用大 O 标记复杂度的时候，可以忽略系数，即 O(Cf(n)) = O(f(n))。所以，O(log2n) 就等于 O(log3n)。因此，在对数阶时间复杂度的表示方法里，我们忽略对数的“底”，统一表示为 O(logn) 。我们循环执行 n 遍，时间复杂度就是 O(nlogn) 了。而且，O(nlogn) 也是一种非常常见的算法时间复杂度。

从代码中可以看出，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。所以，上面代码的时间复杂度就是 O(m+n)。

针对这种情况，原来的加法法则就不正确了，我们需要将加法规则改为：T1(m) + T2(n) = O(f(m) + g(n))。但是乘法法则继续有效：T1(m)*T2(n) = O(f(m) * f(n))。

• 目录

  为什么要有复杂度分析？

  大O复杂度表示法

  时间复杂度

  几种常见的多项式时间复杂度

  空间复杂度

  总结

  ---

  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。

 

• 总结

复杂度也叫渐进复杂度，包括时间复杂度和空间复杂度，用来分析算法执行效率与数据规模之间的增长关系，可以粗略地表示，越高阶复杂度的算法，执行效率越低。常见的复杂度并不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n2 )。等你学完整个专栏之后，你就会发现几乎所有的数据结构和算法的复杂度都跑不出这几个。