[算法分析] （二）最坏，平均，最好情况

在上一节中，我们讨论了渐进分析是如何解决算法的朴素分析问题的。在本节中，我们以线性搜索为例，通过渐进分析来研究这个算法。
我们通过三种情况来分析一个算法：

• 最坏情况
• 平均情况
• 最佳情况

我们来看线性搜索的代码实现

public class GFG {
	static int search(int[] arr, int n, int x) {
		int i;
		for (i = 0; i < n; i++) {
			if (arr[i] == x) return i;
		}
		return -1;
	}

	public static void main(String[] args) {
		int[] arr = { 1, 10, 30, 15 };
		int x = 30;
		int n = arr.length;
		System.out.printf("%d is present at index %d", x, search(arr, n, x)); 
	}
}

Output:
30 is present at index 2

最坏情况分析

在最坏情况下，我们计算算法运行时间的上界。我们必须知道操作数被执行最多次的情况。对于线性搜索来说，最坏的情况发生在被查找的元素（代码中的 $x$）不在数列中的时候。当不存在 $x$ 时，search() 方法必须逐个比较 arr 中的所有元素。因此，最坏的时间复杂度为 $O(N)$。

平均情况分析

在平均情况下，我们获取所有可能的输入值并计算所有输入值的运行时间。将所有的计算结果相加并除以输入值的总数。我们必须清楚（或者预测）它们的分布情况。对于线性搜索问题，我们假设所有的情况是均匀分布的（包括 $x$ 不在数列中的情况）。所以我们把所有结果相加并除以 $n+1$。如下即为平均时间复杂度的值。
$$Time=\frac{{\sum }_{i=1}^{n+1}O(i)}{n+1}=\frac{O((n+1)\ast (n+2)/2)}{n+1}=O(n)$$

最佳情况分析

在最好情况下，我们计算算法运行时间的下界。我们必须知道操作数被执行最少次的情况。对于线性搜索来说，最好的情况就是 $x$ 在数列的第一个位置。最好情况下操作数的次数是常数（与 $n$ 无关）。所以最佳时间复杂度为 $O(1)$。

通常，我们通过最坏情况来分析算法。通过最坏情况分析，我们能够保证一个算法的运行时间上限。
平均情况在实际运用中不容易操作并且它很少用到。在平均情况分析中，我们必须了解（或者预测）所有输入值的数学分布。
最佳情况是不准确的。知道一个算法的下界并不能像最坏情况那样提供有效信息，这个算法可能会花上好几年才能运行出结果。
对于一些算法来说，所有情况下都是渐近相同的，也就是说没有最好最坏之分，例如归并排序。归并排序在所有情况下的复杂度都为 $O(NlogN)$。而其他大部分的排序算法都存在最好和最坏的情况。例如，快速排序的一般实现中（边界元素作为 pivot），最坏情况是输入的数列已经是有序的，最好情况是 pivot 元素始终能把数列平分为两部分。对于插入排序，最坏情况是数列是逆序的，最好情况则是数列与期望的顺序一致。