先从算法时间复杂度分析开始

1.为什么要进行复杂度分析

在编写和使用数据结构和算法的时候，怎么去比较它们之间的优劣，需要一个评判标准，目前主要的分析维度是两方面，时间和空间，什么意思呢，时间复杂度分析就是这个算法在一定的运算量级下的消耗时间，时间越少越优，空间复杂度分析可以看作是占用内存空间的大小，空间越小越优。

2.时间复杂度分析

大O复杂度表示法

如下代码

public int sum(int n) {
        int sum = 0;//1
        for (int i = 0; i < n; i++) {
            sum = sum + i;//2
        }
        return sum;
    }

假设，循环中的每次循环的单元时间是unit_time，那么上述代码中1处需要运行，1*unit_time，2处需要运行n*unit_time，总的时间是(n+1)*unit_time。这里时间运行时间只是一个预估值，不是非常精确，为什么这么说，因为在循环的int i = 0;这个操作也是运行了1此。

再如下代码

public int sum(int n) {
        int sum = 0;//1
        for (int i = 0; i < n; i++) {
            for (int j = 0; j < n; j++) {//2
                sum = sum + i*j;//3
            }
        }
        return sum;
    }

在1处运行了1*unit_time,在2处运行了n*unit_time，3处运行了n*n*unit_time，总的时间是n*n + n + 1。

大O的表达式为T[n] = O(f(n))，以上两个示例使用大O表示分别为T[n] = O(n+1)，T[n] = O(n*n + n + 1)，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，而是表示代码执行时间随数据规模增长的变化趋势，也叫作渐进时间复杂，简称时间复杂度。所以以上两个时间复杂度表达式并不是最终的复杂度，可以假设，在表达式O(n+1)这个表达式中，随着n的无限增大，1对整个表达式的影响可以忽略，比如当n=10000时，n+1也才10001，所以在大O中，可以使用O(n)这样表达准确的时间复杂度。以此推论O(n*n + n + 1)的大O表达式最终为O(n*n)。所以以上两端代码的时间复杂度分别为O(n)和O(n*n)。

推导大O表达式规则：

• 用常数1取代运行时间中的所有加法常数
• 在修改后的运行次数函数中，只保留最高阶项
• 如果最高阶项存在且不是1，则去除与这个项相乘的常数得到的结果就是大O阶

常见的时间复杂度

执行次函数	阶	非正式术语
12	O(1)	常数阶
2n+3	O(n)	线性阶
3n*n+2n+1	O(n*n)	平方阶
5logn + 20	O(logn)	对数阶
2n+3nlogn+19	O(nlogn)	nlogn阶
6n*n*n + 2n*n+3n+4	O(n*n*n)	立方阶
2的n次方	O(2的n次方)	指数阶

 

最坏情况和平均情况

比如，一个长度为1000的数组，数组元素有序增大，搜索其中元素为3的索引位置，最好情况是在索引为0的位置找到，最坏的情况是在索引为999的位置找到。平均就是1000/2=500的位置找到。

最坏情况运行时间是一种保证，在应用中这是一种最重要的需求，通常，除非特别指定，我们提到的运行时间都是最坏情况的运行时间。

平均运行时间是所有情况中最有意义的，因为它是期望的运行时间。

 

3.空间复杂度分析

空间复杂度全称就是渐进空间复杂度（asymptotic space complexity），表示算法的存储空间与数据规模之间的增长关系。

public int sum(int n) {
        int sum = 0;//1
        int[] arr = new int[n];
        for (int i = 0; i < n; i++) {
            arr[i] = i;
        }
        return sum;
    }

 

比如上面这段代码，申请了一个长度为n的数组，在遍历中给每个索引位置赋值。整段代码只占用了n长度的内存地址。没有内存扩展，所以空间复杂度为O(n)。对于空间复杂度的掌握了解就行了，很多时候都是以空间换时间。通常比较一个算法都是默认采用时间复杂度。