算法复杂度分析

什么是数据结构和算法

数据结构就是指一组数据的存储结构，算法就是操作数据的一组方法。
数据结构是为算法服务的，算法要作用在特定的数据结构上。数据结构是静态的，它只是组织数据的一种方式。如果不在它的基础上操作、构建算法，孤立存在的数据结构就是没用的。

复杂度分析

数据结构和算法解决的是如何更省、更快地存储和处理数据的问题，因此，我们就需要一个考量效率和资源消耗的方法，这就是复杂度分析方法。
很多时候我们受限于环境和数据量，没有办法通过运行程序的方式，计算代码的执行时间和占用内存的大小，这时候我们需要一种可以不依赖数据，就能估算出算法执行效率的方法。

大O复杂度表示法

算法的执行时间与每行代码的执行次数成正比，用T(n) = O(f(n))表示，其中T(n)表示算法执行总时间，f(n)表示每行代码执行总次数，而n往往表示数据的规模。
大 O 时间复杂度并非指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，也叫作渐进时间复杂度（asymptotic time complexity），简称时间复杂度。公式中的低阶、常量、系数三部分并不左右增长趋势，所以都可以忽略。

时间复杂度

时间复杂度分析的方法：

1. 只关注循环次数最多的一段代码
2. 加法法则：总复杂度等于量级最大的那段代码的复杂度，比如有两段代码，一段代码复杂度是O(n)，另一段代码是O(2^n)，总复杂度就是 O(2^n)
3. 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

常见的复杂度量级：

上述量级可以粗略分为，多项式量级和非多项式量级，其中非多项式量级的只有O(2^n) 和 O(n!)。
当n越来越大，非多项式量级的算法执行时间会急剧增加，所以它们是非常低效的方法。

多项式量级介绍：

1. O(1)：一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其时间复杂度也是Ο(1)
2. O(logn)、O(nlogn)：对数阶时间复杂度比较难分析，看下面一段代码

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

i = i * 2 这行代码执行次数最多，所以只需要分析它的时间复杂度即可。从代码中可以看出，当 2^x = n 时结束循环， 计算 x=log2n，所以这段代码的时间复杂度就是 O(log2n)。

3. O(m+n)、O(m*n)：m 和 n 是表示两个数据规模。我们无法事先评估 m 和 n 谁的量级大，所以我们在表示复杂度的时候，就不能简单地利用加法法则，省略掉其中一个。所以，上面代码的时间复杂度就是 O(m+n)。

空间复杂度

空间复杂度全称就是渐进空间复杂度，表示算法的存储空间与数据规模之间的增长关系，通过下面一段代码分析空间复杂度

void print(int n) {
  int i = 0;
  int[] a = new int[n];
  for (i; i <n; ++i) {
    a[i] = i * i;
  }

  for (i = n-1; i >= 0; --i) {
    print out a[i]
  }
}

第 2 行代码int i = 0;，我们申请了一个空间存储变量 i，但是它是常量阶的，跟数据规模 n 没有关系，所以我们可以忽略。第 3 行 int[] a = new int[n] 申请了一个大小为 n 的 int 类型数组，除此之外，剩下的代码都没有占用更多的空间，所以整段代码的空间复杂度就是 O(n)。
我们常见的空间复杂度就是 O(1)、O(n)、O(n2 )，像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到。而且，空间复杂度分析比时间复杂度分析要简单很多。所以，对于空间复杂度，掌握刚我说的这些内容已经足够了。

参考：极客时间《数据结构与算法之美》课程