[第一章] 复杂度分析

注

      此专栏内容主要参考极客时间-数据结构与算法之美

事后统计法

1. 一般测试进行的性能分析，都是属于“事后统计法”
2. “事后统计法”不好的方面

• 测试结果依赖测试环境（比如测试机器配置）
• 测试结果受数据规模影响

 

大O表示法

1. T(n) = O(f(n))
2. T(n)表示执行时间，n表示数据规模大小，f(n)代表代码要执行的总次数
3. 代码执行时间（空间）随数据规模增长的变化趋势，称为时间（空间）复杂度；
4. 当n很大时，我们只要记录一个最大量级就可以了

 

时间复杂度分析

1. 只关注循环次数最多的那一段代码
2. 加法法则：总复杂度等于量级最大的那段代码的复杂度
3. 乘法法则：嵌套代码复杂度等于嵌套内外代码复杂度的乘积

 

复杂度量级

1. 多项式量级
2. 非多项式量级：O(2n)、O(n!)
3. 非多项量级算法是非常低效的算法

 

常见的时间复杂度

O(1)

只要代码中不存在循环、递归，不管多少行的代码，复杂度也是O(1)

 

O(logn)、O(nlogn)

示例代码

i=1;

while (i <= n) {

  i = i * 2;

}

·

i=1;

while (i <= n) {

  i = i * 3;

}

复杂度分析

O(log2n) = O(log23)*O(log3n)=O(log3n)，使用大 O 标记复杂度的时候，可以忽略常数系数，即 O(Cf(n)) = O(f(n))，C忽略了。

所以,O(log2n)=O(log3n)=O(log10n)=O(logn)

同样的代码再循环执行n遍，那么复杂度就是O(nlogn)

 

O(m+n)、O(m*n)

1. 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))

 

常见的空间复杂度

O(1)、O(n)、O(n2)

 

常见的复杂度

从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n2 )

 

 

复杂度分析几个方面

最好、最坏情况时间复杂度

       最好情况时间复杂度：在最理想的情况下，执行这段代码的时间复杂度；

       最坏情况时间复杂度：在最糟糕的情况下，执行这段代码的时间复杂度；

       平均时间复杂度：加权平均时间复杂度、期望时间复杂度；

       摊平时间复杂度：使用率不多