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(