数据结构与算法01-复杂度分析

1.为什么需要进行复杂度分析?

我们可以把代码跑一遍,通过统计监控就能得到算法执行的时间和占用内存大小,为什么还要做时间空间复杂度分析呢?这种分析方法能比我实实在在跑一遍得到的数据更准确吗?

这种评估算法执行效率的方法是正确的.很多数据结构和算法书籍还给这种方法起了一个名字,叫事后统计法.但是,这种统计方法有非常大的局限性.

1. 测试结果非常依赖测试环境;
2. 测试结果受数据规模影响很大;

所以,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,就是时间空间复杂度分析的方法;

2.大O复杂度表示法

假设每个语句的执行时间是unit time.那么这段代码的总执行时间T(n)就可以用如下思路计算:

第2,3,4行代码,每行都需要1个unit time的执行时间,第5,6行代码循环执行了n遍,需要2n unit time的执行时间,第7,8行代码循环执行了n²遍,所以需要2n² unit time的执行时间.所以,整段代码的总执行时间T(n)=(2n²+2n+3)unit time;

总结成规律如下:T(n)=O(f(n));T(n)表示代码执行的时间;n表示数据规模的大小;f(n)表示每行代码执行的次数的综合.因为这是一个公司,所以用f(n)来表示.公司中的O,表示代码的执行时间T(n)与f(n)表达式成正比;上述例子T(n)=O(2n²+2n+3).这就是大O时间复杂度表示法.大O时间复杂度实际上并不具体表示代码真正的执行时间,而是表示