数据结构和算法之复杂度分析

一、什么是复杂度分析

• 什么是数据结构与算法：算法是作用在特定的数据结构之上的一系列数据操作，算法与数据结构是一体两面不可分割
• 复杂度分析：针对算法的分析，企图分析数据规模和对应算法消耗空间+时间的量化关系

二、复杂度分析意义

• 复杂度分析可以很快得出，不同算法在效率和性能上的差异
• 复杂度分析是一种事前分析方法，给开发者提供一个算法优劣的评判标准。在实际开发中，除关注算法复杂度外还需要综合考虑其他各种因素，例如：cpu cache、业务特殊性、操作便利性…
• 有些开发者倾向于直接把代码跑一遍观察耗时，这种属于事后分析法，这种分析方法是有局限性的，1）硬件配置不用结果差别很大 2）样本不同可能导致结果差别大

三、如何分析复杂度

• 假设前提：假设每一行代码执行时间都相同，称之为单位时间unit_time
• 计算耗时：程序一共执行了多少行代码，可得到耗费了多少个单位时间，例如下面代码，耗时T(n) = (2n + 2) × unit_time
• 大O表示法：T(n) = O( f(n) ) = O(2n + 2)，其中n表示数据规模，f(n)表示代码执行的总行数，抽象T(n)、f(n)呈正相关
• 大O表示法，也是大O时间复杂度表示法，简称时间复杂度
• 注意：由于复杂度分析涉及到的数据规模较大，分析时候会对表达式做适当简化，即简化f(n)，只关注到f(n)中会引起绝对变化的部分：
  • 执行次数最多的一段代码，例如：f(n) = 2n + 2，简化为：f(n) = n
  • 加法法则
  • 乘法法则

function example ($n) {
	$sum = 0;
	for($i=0; $i<$n; ++$i)
		$sum += $i;
	return $n;
}

四、常见的复杂度

常数阶
线性阶
对数阶
平方阶
指数阶
阶乘阶

五、其他

• 最好时间复杂度、最坏时间复杂度、平均时间复杂度、均摊时间复杂度

function search ($array, $len, $target) {
	$index = -1;
	for($i=0; $i<$len; ++$i){
		if($array[$i] == $target)
			return $index = $i;
	}
	return $index;
}

• 分析以上代码
  • 最好时间复杂度：当target在数组第一个顺位，时间复杂度O(1)
  • 最坏时间复杂度：当target在数组最后一位，或者不在数组中，时间复杂度O(n)
  • 平均时间复杂度：加权平均计算O(n)
    • target有1/2机会不在数组中，不在数组中时间复杂度为O(n)
    • target在数组中，则会有n种情况，不同情况下遍历次数不同
    • 加权平均期望：n×1/2 + 1×1/2n + 2×1/2n + 3×1/2n +…+ n×1/2n = (3n+1)/4
  • 均摊时间复杂度：均摊时间复杂度用到摊还分析方法。
    • 摊还分析法适用场景：复杂度有规律地变动，多次低复杂度情况下跟着一个高复杂度情况，就考虑可以把复杂度高的情况分摊到其他复杂度简单的情况，均摊时间复杂度本质上还是平均时间复杂度，只不过换了一个角度来理解，均摊时间复杂度为最好时间复杂度