数据结构与算法之美_lesson2_复杂度分析

为什么需要复杂度分析？
 

1、事后统计法的局限性：

（1）测试结果非常依赖测试环境；

（2）测试结果受数据规模的影响很大；

我们需要一个不用具体的测试数据来测试，就可以粗略地估计算法的执行效率的方法。这就是时间、空间复杂度分析方法。

2、大 O 复杂度表示法

算法的执行效率，粗略地讲，就是算法代码执行的时间。

从CPU的角度来看，代码的每一行都执行着类似的操作：读数据-运算-写数据。

所有代码的执行时间T(n)与每行代码执行的次数成正比。

T(n) = O(f(n)) -- 大 O 时间复杂度表示法

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着数据规模增长的变化趋势，所以，也叫做 渐进时间复杂度，简称 时间复杂度。

3、时间复杂度分析

1，只关注循环执行次数最多的一段代码

我们在分析一个算法、一段代码的时间复杂度的时候，也只关注循环执行次数最多的那一段代码就可以了。

2，加法原则：总复杂度等于量级最大的那段代码的复杂度

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

落实到具体的代码上，我们可以把乘法原则看成是嵌套循环。

复杂度量级（按数量级递增）

• 常量阶 O(1)
• 对数阶 O(logn)
• 线性阶 O(n)
• 线性对数阶 O(nlogn)
• 平方阶 O()、立方阶 O() ... k次方阶 O(