简约理解算法复杂度

目录

时间复杂度和空间复杂度

大O表示法

如何快速求解出复杂度呢？

复杂度的本质

常量

常见大O表示法

降低复杂度

---

人类为了能够加深对于事物的理解，通常会引用认为定义的概念作为衡量的标准，对所要研究的事物进行分析判断。物理学里，为了能够更好地描述一定距离下，所花费的时间，引入了速度的概念。同样，对于程序运行的性能而言，引入了复杂度用以描述程序运行的快慢问题。

---

时间复杂度和空间复杂度

复杂度分为时间复杂度和空间复杂度。时间复杂度，就是一段程序中，n个元素需要执行的操作次数。空间复杂度，可以理解为程序运行时，需要计算机分配多大的内存空间执行程序。栈便是一个很好的理解空间复杂度例子。

---

大O表示法

为了便于表示复杂度，计算机科学使用大O表示法来符号化复杂度，大O表示法为O(n)。O就是英文单词Operation的首字母，其含义为操作。n则表示操作次数。

以循环遍历数组为例，解释复杂度是如何表示的。为了便于理解，借助伪代码加以说明。

class Example {
    public void print(int[] nums) {
        for(int i=0;i<nums.length();i++){
            System.out.print(nums[i]);
        }
    }
}

假设数组nums的元素个数为n。一次循环遍历nums数组，每个元素输出打印一次，则可以理解包含元素个数为n的数组nums，一次循环遍历，需要执行n此操作，每一个元素执行一次输出操作，故时间复杂度为O(n)。数组的一次循环遍历，程序中数组的长度，就是算法的空间复杂度，即空间复杂度为O(n)。

对于空间复杂度而言，只需要把握两个原则：

1、数组的长度

一旦程序中有数组，则数组的长度，就是算法的空间复杂度

2、递归的深度

如果使用递归函数，递归最深的深度，就是算法的空间复杂度

如果程序中，既有数组，又是递归，那么取两者中的最高空间复杂度

---

如何快速求解出复杂度呢？

实际上，非常简单，一个函数或者一段代码，其内部针对操作的元素，执行了多少次操作，那么，执行的操作次数就是其程序的时间复杂度。空间复杂度，也即是这段程序所占用的空间深度。

这里需要提醒的是，当程序中包含多个复杂度时，以复杂度最高的运算为准。

class Example {
    public void print(int[] nums) {
        for(int i=0;i<nums.length();i++){
            System.out.print(nums[i]);
        }
        for(int i=0;i<nums.length();i++){
            for(int j=i;j<nums.length();j++){
                System.out.print(nums[j]);
            }
        }
    }
}

以上程序，包含数组一层循环遍历，也包含数组双重循环遍历，一层循环遍历的时间复杂度为O(n)，双重循环遍历的时间复杂度为O(n^2)，此时，函数的时间复杂度以最高的为准，即O(n^2)。

---

复杂度的本质

复杂度的本质，实际上，就是指出算法的运行有多快，并且其算法的运行时间如何随着输入元素的增加如何变化。

文字上的叙述，有点难以理解，通过函数的图形化便能够很好理解了。

对于二分查找法，其时间复杂度为O(log n)，这里先不解释，直接使用其概念即可。而对于以上数组的一次遍历，可以理解为普通算法，其时间复杂度为O(n)。以下列出二分查找法和普通算法之间运行时间上的比较，这里假设1次操作，花费1秒时间，实际上没有这么慢，只不过为了理解，便这样设定。

元素个数	O(n)操作数	O(log n)操作数	O(n)运行时间	O(log n)运行时间
16	16	4	16秒	4秒
256	256	8	256秒	8秒
1024	1024	10	1024秒	10秒

通过表格，能够清晰地认识到，随着元素个数的增加，普通算法的操作数正比例增加，而对于二分查找法的对数函数而言，操作数增长较少。由此可见，复杂度不仅仅表示的是算法运行的快慢问题，而且还表示了随着输入元素个数的增长，算法运行时间是如何变化的。

看到这里，是不是有种似曾相识的感觉，复杂度很像速度和加速度的概念混合，既表示了算法的快慢，又表示了算法的快慢是如何随着数量增减而变化的。

---

常量

对于复杂度而言，实际上其大O表示法的表达式应为O(c * n + d)，c和d表示算法的常量，可以为任意的数字。

当操作数的表达式不同时，常量的影响程度就非常小了。如果不理解，可以以二分查找法和普通算法的对比作为参考，即使常量不同，也无法改变两者在算法复杂度上的差距。假设二分查找法的常量为10，普通查找的常量为2，10log n和10n表达式，当n=2时，虽然元素个数很少，但普通算法依然比二分查找法要花费更多的运行时间。那么，当n很大时，差距就更加明显了。

当针对相同的表示式时，常量不同，算法运行的时间肯定不同。常量大的，操作次数也会很大。通常而言，不会拿相同的时间复杂度进行。

因此，为了简化表达，常量就可以直接忽略。大O表示法就以文章开头所示的方式O(n)使用即可。

---

常见大O表示法

以下列出软件实际开发中，常见的复杂度及其实例，便于加深复杂度的理解。

大O表示法	名称	算法
O(1)	常量复杂度(Constant Complexity)	数组的查找、链表的插入和删除
O(log n)	对数复杂度(Logarithmic Complexity)	二分查找
O(n)	线性复杂度(Linear Complexity)	简单查找（或叫普通查找）
O(n^2)	平方复杂度(N Square Complexity)	一种速度较慢的选择排序，双层循环
O(n^3)	立方复杂度(N Cubic Complexity)	三层循环
O(2^n)	指数(Exponential Growth)	斐波那契数列
O(n*log n)		一种速度较快的快速排序
O(n!)	阶乘(Factorial)	一种非常慢的旅行商问题的解决方案

通过观看列表，无法直观感受复杂度的优劣，下面借助复杂度图表，展示各个复杂度曲线的走向，以及复杂度的优劣，帮助读者加深对于复杂度的理解。纵坐标表示操作数，横坐标表示元素个数，图表中的红色表示算法糟糕，土黄色表示算法较差，黄色表示算法一般，浅绿色表示算法较好，绿色表示算法极好。

---

降低复杂度

复杂度是一个很好的衡量指标，当我们进行代码的设计、编写、测试、调优时，都应该以复杂度作为判断标准，去比较和找出最优的算法，降低损耗，减少异常，提高性能。也就是说，分析程序的时间复杂度和空间复杂度，能够降低复杂度，进而降低计算机资源的损耗，有利于程序高性能运转，这是顶尖开发者的必备素质。

以中学时代曾经学过的前n项求和的问题为例，解释降低复杂度的好处。

前n项求和，1 + 2 + ... + n = ?

方法一，通过依次循环求和各个元素，最终得出前n项元素的总和，其时间复杂度为O(n)

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

方法二，通过高斯定理，前n项求和公式，故时间复杂度为O(1)

public int sum(int n){
    return (n + 1) * n / 2;
}

依据上面的示例，算法的实现方式不同，复杂度不同，进而程序运行的性能有着极大的不同，这就是为什么要尽量找出最优的算法，降低复杂度，提高算法的运行性能的原因了。

实际上，复杂度也能够给我们人生很好的启发。当我们去规划人生，实现梦想的时候，是不是也应该有一个标准，给予我们作为参考，让我们能够判断这样的人生算法是否高效，是否合理，进而为我们更好地，更加快速地成长提供帮助。

由于作者个人水平有限，文章之中的不当之处，还请谅解和指正。最后，感谢你阅读本篇文章。