数据结构与算法系列一：算法复杂度分析

算法是对特定问题求解步骤的一种描述，它是指令的有限序列，其中每条指令表示一个或多个操作，具有5个特性：有穷性、确定性、可行性、输入（有零个或多个输入）、输出（一个或者多个输出）

算法效率的度量方法：

1）事后统计法：测试结果依赖测试环境如计算机的硬件、软件设备；测试结果受数据规模的影响很大；例如排序算法，待排序数据的有序度不同执行时间会有很大的差别，极端情况下数据有序则不需要做任何操作，执行时间会非常短；除此之外测试数据规模太小，测试结果无法反映算法的性能。

2）事前估计法：a.依据算法选用何种策略，b.问题的规模，c.书写程序的语言，d.编译程序所产生的机器代码的质量，e.机器执行指令的速度。

大O复杂度表示法

T(n) = O(f(n))

表示随问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，即所有代码的执行时间和每行代码的执行次数n成正比。大O时间复杂度表示的是代码执行时间随数据规模增长的变化趋势，称为渐进时间复杂度。

O(n)分析方法：
1）关注循环执行次数最多的一段代码；
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：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

几种常见的时间复杂度分析：

多项式量级和非多项式量级，其中后者只有两个：O($2^n$)，O($n!$)；随着数据规模n增大，非多项式量级执行时间急剧增加，属于非常低效的算法。

常量阶：O(1) ---- 只要代码的执行时间不随数据规模n的增大而增大(不存在循环或递归语句)，即使有成千上万行代码，时间复杂度也为常量阶。
对数阶&线性对数阶：O($\log (n)$) O($n\log (n)$) ---- 对数阶时间复杂度中忽略对数的“底”，统一表示为O(logn)；后者非常常见，归并排序、快速排序和堆排序时间复杂度都为O($n\log (n)$)。
O($m+n$)、O($m\ast n$) ---- 应用于无法事先评估m和n谁的量级大的情况，不可简单使用加法法则省略其中一个。

空间复杂度分析：
渐近空间复杂度，表示算法存储空间和数据规模之间的增长关系。

问题一：性能测试&复杂度分析矛盾吗？

答：性能测试更多是一种实验结果；复杂度分析是用于分析内因，提供了理论分析方向，对算法能有一个大致的认识。

最好、最坏、平均、均摊时间复杂度

1.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；
2.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；
3.平均情况时间复杂度：加权平均时间复杂度。

均摊时间复杂度（特殊场景）

• 应用场景：对数据结构进行一组连续操作，大部分情况时间复杂度都很低，极个别情况下时间复杂度比较高，而且这些操作之间存在前后连贯的时序关系。
• 摊还分析法：将这一组操作放在一起分析，看是否可以将最高时间复杂度那次操作的消耗，分摊到较低时间复杂度的操作上。
• 规律：在可以应用摊还分析法的案例中，一般均摊时间复杂度等于最好情况时间复杂度。

//全局变量，大小为10的数组array，长度len，下标i。
int array[] = new int[10];
int len = 10;
int i = 0;

//往数组中添加一个元素
void add(int element){
    if(i >= len) { //数组空间不够
        //重新申请一个2倍大小的数组空间
        int new_array[] = new int[len*2];
        //把原来array中的数据copy到new_array
        for(int j=0; j<len; ++j){
            new_array[j] = array[j];
        }
        //new_array复制给array,array现在大小为2*len
        array = new_array;
        len = 2*len;
    }
    //将element放到下标为i的位置，下标i加一
    array[i] = element;
    ++i;
}

问题二：分析如上add()函数的时间复杂度？
答：最好情况时间复杂度O($1$)，最坏情况时间复杂度O($n$)，均摊时间复杂度O($1$)；每一次较坏时间复杂度按原来数组长度两倍扩容，则被分摊置扩容后的每次插入运算中。