数据结构与算法之入门篇——03 | 复杂度分析

目录

为什么需要复杂度分析？

复杂度分析     

 大 O 复杂度表示法T(n)=O(f(n))         

  时间复杂度

         大 O时间复杂度

        如何分析一段代码的时间复杂度？

        时间复杂度量级

空间复杂度

        大 O 空间复杂度

        空间复杂度量级

---

为什么需要复杂度分析？

• 执行效率是算法一个非常重要的考量指标

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

• 事后统计法有非常大的局限性       

         - 测试结果非常依赖测试环境

             例如，硬件环境不同，处理器不同         

         - 测试结果受数据规模的影响很大

• 我们需要不用具体的测试数据来测试，就可以粗略估计算法执行效率的方法——时间、空间复杂度分析方法

复杂度分析     

•  大 O 复杂度表示法T(n)=O(f(n))         

         - 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
         - 包括时间复杂度和空间复杂度 
         - T(n)表示代码执行的时间或者算法的存储空间 
         - n 表示数据规模的大小
         - f(n)表示每行代码执行的次数总和
         -  O表示代码的执行时间或者存储空间T(n) 与 f(n) 表达式成正比

•   时间复杂度

         大 O时间复杂度

          表示代码执行时间随数据规模增长的变化趋势，也叫作渐进时间复杂度

          下面这段非常简单的代码，求 1,2,3…n 的累加和。我们来估算一下这段代码的执行时间。   

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

        从 CPU 的角度来看，这段代码的每一行都执行着类似的操作：读数据-运算-写数据。尽管每行代码对应的 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。在这个假设的基础之上，这段代码的总执行时间是多少呢？

        第 2、3 行代码分别需要 1 个 unit_time 的执行时间，第 4、5 行都运行了 n 遍，所以需要 2n*unit_time 的执行时间，所以这段代码总的执行时间就是 (2n+2)*unit_time。可以看出来，所有代码的执行时间 T(n) 与每行代码的执行次数成正比，即T(n) = O(2n+2)。

        当 n 很大时，你可以把它想象成 10000、100000。而公式中的低阶、常量、系数三部分并不左右增长趋势，所以都可以忽略。我们只需要记录一个最大量级就可以了，如果用大 O 表示法表示刚讲的那段代码的时间复杂度，就可以记为：T(n) = O(n)

<