复杂度分析

复杂度分析

（一）如何分析、统计算法的执行效率和资源消耗

1、大O复杂度表示法

算法的执行效率，粗略的讲，就是算法代码执行的时间。

所有代码执行的时间T(n)与每行代码的执行次数n成正比。

这个规律总结成一个公式就是大O了

T(n) = O(f(n)

 

这条公式里，Tn代表的是代码执行的时间，n代表的是数据规模的大小，fn表示每行代码执行的次数总和。公式中的O代表的是代码时间与fn表达式成正比。

 

下面来举个例子。

 

int cal(int n) {

   int sum = 0;

   int i = 1;

   for (; i <= n; ++i) {

     sum = sum + i;

   }

   return sum;

}

 

这段代码中的执行时间预估一下，假设每行代码执行的时间一样，都为一个u的时间。

 

第1，2行都只执行了一次，而第3，4行都同时执行了n遍，所以这段代码总的执行时间为

(2n+2)*u。也就是Tn = O(2n+2)

 

大O时间复杂度并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以也叫做渐进时间复杂度，简称时间复杂度。

 

在上面例子中，当n很大的时候，常量2，系数2都可以忽略不记，我们只需要记录一个最大的量级就可以了。也就是可以记为Tn = O(n)

 

2、时间复杂度分析

（1）只关注循环次数最多的一段代码。这段核心代码执行次数的n的量级，就是整段要分析代码的时间复杂度。

比如上面的例子

int cal(int n) {

   int sum = 0;

   int i = 1;

   for (; i <= n; ++i) {

     sum = sum + i;

   }

   return sum;

}

其中2、3行代码都是常量级的执行时间，与n的大小无关，所以对于复杂度并没有影响。循环执行次数最多的就是第4、5行代码，所以这块代码要重点分析。

（2）加法法则：总复杂度等于量级最大的那段代码的复杂度。

int cal(int n) {

   int sum_1 = 0; //1

   int p = 1;// 1

   for (; p < 1