算法复杂度分析：最好、最坏、平均、均摊

案例分析1

public int Function(int n, int x)
{
  int sum = 0;
  for (int i = 1; i <= n; ++i)
  {
      if (i == x)
          break;
      sum += i;
  }
  return sum;
}

1.最坏时间复杂度
当x>n时，代码时间复杂度为O(n)
2.最坏时间复杂度
当x>=1时，代码时间复杂度为O(1)
3.平均时间复杂度
要查找的变量 x 在数组中的位置，有 n+1 种情况：在数组的 0～n-1 位置中和不在数组中。代码执行数累次数为（（1+2+3....+n）+n），然后除以所有数量（n+1），就可以得到平均值

以上算法存在问题：未考虑各自情况的发生的概率,x要么在1~n中，不在1~n中，概率都是1/2。因为1~n中各个位置的概率都是一样的为1/n。概率乘法法则，x在1~n中任意位置的概率是1/2n。

那正确的计算方式参考以下推导过程

引入概率之后忽略系数及常量后，以上推导的最终得到加权平均时间复杂度为O(n)。

注意事项：

在大多数情况下，我们并不需要区分最好、最坏、平均情况时间复杂度三种情况。很多时候，我们使用一个复杂度就可以满足需求了。只有同一块代码在不同的情况下，时间复杂度有量级的差距，才会使用这三种复杂度表示法来区分。

案例分析2

 // array表示一个长度为n的数组
 // 代码中的array.length就等于n
 int[] array = new int[n];
 int count = 0;
 
 void insert(int val) {
    if (count == array.length) {
       int sum = 0;
       for (int i = 0; i < array.length; ++i) {
          sum = sum + array[i];
       }
       array[0] = sum;
       count = 1;
    }

    array[count] = val;
    ++count;
 }

均摊时间复杂度

1.理想情况下count!=array.length，时间复杂度为O(1)。

2.最坏的情况下count==array.length，执行一次循环累加和的操作，时间复杂度为O(n)。

3.平均的情况下，因为限定条件0<=count<=array.length，count在0~array.length中存在的位置可以分为array.length+1种情况(0到n)。

4.当0<=count<array.length时，时间复杂度为O(1)。但是count==array.length的时候是一个例外，它的复杂度是O(n)。而且这n+1种情况发生的概率都是一样的，为1/(n+1)。所以根据加权平均的计算方法，

引入概率之后忽略系数及常量后，以上推导的最终得到均摊时间复杂度为O(1)。

总结：均摊时间复杂度就是一种特殊的平均时间复杂度。当我们在分析时间复杂度是O(1)还是O(n)最简单有效的方法就是凭感觉，如果出现O(1)的次数远大于出现O(n)出现的次数，那么平均平摊时间复杂度就是O(1)。