数据结构---复杂度分析

数据结构—复杂度分析

什么是复杂度分析

数据结构和算法要解决的是代码执行的效率问题，如何对你写的代码进行一个理论上的效率分析呢？从代码执行的时间和数据所占用的存储空间上进行代码分析，就是复杂度分析。

为什么进行复杂度分析

因为代码的执行效率非常依赖代码的运行环境、代码处理的数据量。这时，在代码脱离运行环境和数据规模的情况下，对代码进行复杂度分析就显得很重要。这样我们可以通过复杂度分析，提前对自己的代码的执行效率有一个宏观的认识。

复杂度分析

复杂度分析又分为时间复杂度分析和空间复杂度分析。
时间复杂度是指代码执行的时间与数据量趋势之间的关系。
空间复杂度是指代码所占的存储空间与数据量趋势之间的关系。

复杂度分析方法

大O分析法
“O”是指时间，每条代码执行一次所需的时间，当执行n条代码时，所需的执行时间是T(n)=O(n)。
代码执行效率就是代码的运行时间。从执行结果来看，代码执行的时间T(n)与代码的执行次数成正比。
进行时间复杂度分析时，主要就是要找数据大头，就是数据等级最高阶的如O(n),O(n^2), O(nlogn)等等。在代码中就是重点关注循环执行次数最多的那一段代码。
常见的时间复杂度表示有以下几种。
（1）O(1)常量级的时间复杂度，所谓常量级就是指时间复杂度不会随着数据量n的变化而变化。一般算法中不存在循环结构、递归结构、其时间复杂度为O(1).
（2）O(n)线性级的时间复杂度。
（3）O(logn)对数级的时间复杂度。
（4）O(nlogn)线性对数级的时间复杂度，常见于归并排序、快速排序中。
（5）还有幂级的O(n^k)。
（6）非多项式量级的有指数级O(2^n)，阶乘级O(n!)。
常见的空间复杂度有O(1),O(n),O(n^2)。

 i=1;
 while (i <= n)  {
   i = i * 2;
 }

对于这段代码，i从1开始取值，每执行一次翻一倍，当i大于n时结束循环。可以设执行x次，此时i为2^(x-1)与n进行比较，双方求对数。可以求得x=logn+1.此时时间复杂度为O(logn)级。

时间复杂度的评价

（1）最好情况时间复杂度：是指在最理想情况下，执行代码的时间复杂度。
（2）最坏情况下时间复杂度：是指在最坏情况下，执行代码的时间复杂度。
（3）平均时间复杂度：计算在所有情况下，执行代码的时间复杂度。