掌握算法复杂度分析

复杂度分析

> 数据结构和算法本身解决的是"快"(让代码运行的更快)和"省"(让代码更省存储空间)的问题;
> 执行效率是算法一个非常重要的考量指标;
> 如何衡量"执行效率" -> 时间, 空间复杂度;
> 复杂度分析是整个算法学习的精髓，只要掌握了它，数据结构和算法的内容基本上就掌握了一半;

大 O 复杂度表示法

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，所以，也叫作渐进时间复杂度（asymptotic time complexity），简称时间复杂度;
2. 当 n 很大时，你可以把它想象成 10000、100000。而公式中的低阶、常量、系数三部分并不左右增长趋势，所以都可以忽略。我们只需要记录一个 最大量级 就可以了;

1. T(n) -> 代码执行的时间;
2. n -> 数据规模的大小;
3. f(n) -> 每行代码执行的次数总和;
4. 大O -> 代码的执行时间 T(n) 与 f(n) 表达式成正比

详细示例 first (求 1,2,3…n 的累加和)

 int cal(int n) {
   int sum = 0;
   int i = 1;
   for (; i <= n; ++i) {
     sum = sum + i;
   }
   // return语句一般不计算在内
   return sum;
 }

• 前提假设

  假设每行代码执行的时间都一样，为 unit_time (实际的情况是每行代码对应的 CPU 执行的个数、执行的时间都不一样，但是，我们这里只是粗略估计，故有此假设)

• 代码执行时间计算(cal函数内部的代码)

  code line	execute time
  2	1 unit_time
  3	1 unit_time
  4	n unit_time
  5	n unit_time

  ---

Total Time: (2n+2)*unit_time => 代码的总执行时间 T(n) 与"每行代码的执行次数"(此处为2n+2)成正比

详细实例 second

 int cal(int n) {
   int sum = 0;
   int i = 1;
   int j = 1;
   for (; i <= n; ++i) {
     j = 1;
     for (; j <= n; ++j) {
       sum = sum +  i * j;
     }
   }
 }

• 代码执行时间计算(cal函数内部的代码)

  code line	execute time
  2	1 unit_time
  3	1 unit_time
  4	1 unit_time
  5	n unit_time
  6	n unit_time
  7	n² unit_time
  8	n² unit_time

  ---

  整段代码总的执行时间: T(n) = (2n2+2n+3)*unit_time

• 重要规律
  尽管我们不知道 unit_time 的具体值，但是通过这两段代码执行时间的推导过程，我们可以得到一个非常重要的规律，那就是，所有代码的执行时间 T(n) 与每行代码的执行次数 n 成正比。将此规律总结成公式, 就得到大O表示法(second show up 🙂):

用大 O 表示法表示刚讲的那两段代码的时间复杂度，就可以记为：T(n) = O(n)； T(n) = O(n²);

时间复杂度分析

方法1: 只关注循环执行次数最多的一段代码

根据: 大 O 这种复杂度表示方法只是表示一种变化趋势。我们通常会忽略掉公式中的常量、低阶、系数，只需要记录一个最大阶的量级就可以了

方法2: 分段取最大 - 总复杂度等于量级最大的那段代码的复杂度

将代码分成独立的几段, 分别计算各段的复杂度, 取量级最大的复杂度

方法3: 嵌套法则 - 嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

如果 T1(n)=O(f(n))，T2(n)=O(g(n))；那么 T(n)=T1(n)*T2(n)=O(f(n))*O(g(n))=O(f(n)*g(n)).

常见的复杂度量级

• 多项式量级(由n作为底数)
• 非多项式量级(n不是作为底数, 上图只有两个：O(2n) 和 O(n!), 非常低效)

时间复杂度为非多项式量级的算法问题叫作 NP（Non-Deterministic Polynomial，非确定多项式）问题。

常见多项式时间复杂度

• O(1)

只要代码的执行时间不随 n 的增大而增长，这样代码的时间复杂度我们都记作 O(1)。或者说，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)

• O(logn)、O(nlogn)

1. 对数阶时间复杂度非常常见，同时也是最难分析的一种时间复杂度;
2. 对数阶时间复杂度的表示方法里，我们忽略对数的“底”，统一表示为 O(logn);
3. 如果一段代码的时间复杂度是 O(logn)，我们循环执行 n 遍，时间复杂度就是 O(nlogn) 了。而且，O(nlogn) 也是一种非常常见的算法时间复杂度。比如，归并排序、快速排序的时间复杂度都是 O(nlogn);

• O(m+n)、O(m*n)

代码的复杂度由两个数据的规模来决定

空间复杂度分析

时间复杂度的全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系。类比一下，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。