《数据结构与编程之美》学习笔记2：算法复杂度那些事儿

“算法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。”这句话虽然夸张了些，但是也表达出了复杂度分析的重要性。本篇博文介绍算法复杂度的大O表示法、最好、最坏、平均和均摊时间复杂度。

一、如何分析、统计算法的执行效率和资源消耗？

1. 为什么需要复杂度分析？

• 事后统计法 有很大的局限性
  • 测试结果非常依赖于环境，不同配置的计算机，会产生截然不同的测试结果。
  • 测试结果受数据规模的影响很大。例如，对于小规模的数据，插入排序可能会比快速排序还要快。

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

2. 大O复杂度表示法

计算机执行的代码时间 $T(n)$ 与每行代码的执行次数 $n$ 成正比 规律总结成公式如下：

$$T(n)=O(f(n))$$

其中 $T(n)$ 表示代码执行时间； $n$ 表示数据规模；$f(n)$ 表示每行代码执行的次数总和；大O是一个数学符号，表示代码的执行时间 $T(n)$ 与 $f(n)$ 表达式成正比。

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 ，所以也叫做 渐进时间复杂度 （Asymptotic time complexity），简称 时间复杂度 。

3. 时间复杂度分析

三个实用分析方法

• 只关注循环执行次数最多的一段代码
• 加法法则：总复杂度等于量级最大的那段代码的复杂度
• 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

4. 几种常见的时间复杂度分析

代码千差万别，但是常见的复杂度量级并不多。
复杂度量级（按照数量级递增）

• 常数阶 $O(1)$
• 对数阶 $O(logn)$
• 线性阶 $O(n)$
• 线性对数阶 $O(nlogn)$
• 平方阶 $O(n^2)$、立方阶 $O(n^3)$ … k次方阶 $O(n^k)$
• 指数阶 $O(2^n)$
• 阶数阶 $O(n!)$

以上的复杂度量级可以分为两类， 多项式量级 和 非多项式量级 。其中非多项式量级只有两个 $O(2^n)$ 和 $O(n!)$ 。由于非多项式量级算法的执行时间会随着数据规模$n$的增大而急剧增加，因此我们主要关注 多项式时间复杂度。

4.1 $O(1)$

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$O(1)$。

4.2 $O(logn)$、$O(nlogn)$

举例

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

变量从 i=1 开始，每循环一次就乘以2。当 i 大于 n 时循环结束。设循环进行了 x 次，可得 $2^x=n$ ，解得$x=lo{g}_{2}n$ ，所以这段代码的复杂度就是 $O(lo{g}_{2}n)$ 。

当代码变为

i = 1;
while (i <= n) {
    i = i * 3;
}

这段代码的时间复杂度为 $O(lo{g}_{3}n)$ ，实际上不管是以 2 为底还是以 3 为底，或者以 10 为底，我们都将对数阶的时间复杂度记为 $O(logn)$ 。因为对数之间可以利用 换底公式 互相转换。

---

对于 $a,c\in (0,1)\cup (1,+\infty )$ 且 $b\in (0,+\infty )$ ，有

$$lo{g}_{a}b=\frac{logcb}{logca}$$

---

故 $lo{g}_{3}n$ 就等于 $lo{g}_{3}2\ast lo{g}_{2}n$ ，所以 $O(lo{g}_{3}n)=O(C\ast lo{g}_{2}n)$ ，其中 $C=lo{g}_{3}2$ 是一个常量。在采用大O标记复杂度时可以忽略系数，且我们忽略对数的“底”，统一表示为 $O(logn)$ 。

同理对于 $O(nlogn)$ 来说，其实就是把复杂度为 $O(logn)$ 的代码循环了 n 遍。 $O(nlogn)$ 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 $O(nlogn)$ 。

4.3 $O(m+n)$ 、 $O(m\ast n)$

这个可以直接看出来，代码的复杂度是 由两个数据的规模 来决定的，m 和 n 表示的是两个数据的规模，当无法事先评估 m 和 n 的量级更大时，我们两个都保留。

5. 空间复杂度分析

空间复杂度全称为 渐进空间复杂度 (Asympotic space complexity)，表示算法的存储空间与数据规模之间的增长关系。常见的空间复杂度也就只有 $O(1)$ 、 $O(n)$ 、 $O(n^2)$ ，像 $O(logn)$ 、 $O(nlogn)$ 这样的对数阶平时用不到。

二、最好、最坏、平均、均摊时间复杂度

当然复杂度相关的知识点远不止上面这些，下面介绍最好情况时间复杂度（best case time complexity）、最坏情况时间复杂度（worst case time complexity）、平均情况 时间复杂度（average case time complexity）、均摊时间复杂度（amortized time complexity）。

1. 最好、最坏、平均情况时间复杂度

先看代码：

int find(int[] array, int n, int x) {
    int i = 0;
    int pos = -1;
    for(; i < n; i++) {
        if (array[i] == x) {
            pos = i;
            break;
        }
    }
    return pos;
}

由于 break 的存在，导致该算法的复杂度变得有些不同，当数组的第 1 个元素正好是要查找的变量 x ，那么就不需要遍历剩下的 n-1 个数据了，那么时间复杂度就是 $O(1)$ 。如果数组中不存在变量 x ，那么就需要把整个数组遍历一遍，时间复杂度就成了 $O(n)$ 。所以不同的情况下，这段代码的时间复杂度是不一样的。

此处引入三个概念，最好情况时间复 杂度、最坏情况时间复杂度和平均情况时间复杂度。

• 最好情况时间复杂度就是，在最理想的情况下，执行这段代码的时间复杂度。
• 最坏情况时间复杂度就是，在最糟糕的情况下，执行这段代码的时间复杂度。
• 根据不同情况的概率甲醛平均得出的复杂度称为平均时间复杂度，全称叫做加权平均时间复杂度。

2. 均摊时间复杂度

先举个例子

// array 表示一个长度为 n 的数组 
// 代码中的 array.length 就等于 n 
int[] array = new int[n]; 
int count = 0;
void insert(int val) {
	if (count == array.length) { 
        int sum = 0; 
        for (int i = 0; i < array.length; ++i) { 
            sum = sum + array[i];
        } 
        array[0] = sum; count = 1;
	}
	array[count] = val; 
    ++count;
}

这段代码实现了一个往数组中插入数据的功能。当数组满了之 后，也就是代码中的 count == array.length 时，我们用 for 循环遍历数组求和，并清空数组，将求和之后的 sum 值放到数组的第一个位置，然后再将新的数据插入。但如果数组 一开始就有空闲空间，则直接将数据插入数组。

• 最好的情况时间复杂度为 $O(1)$
• 最坏的情况时间复杂度为 $O(n)$
• 平均的情况时间复杂度为 $O(1)$

利用摊还分析法分析，只有一种情况下该算法的时间复杂度为 $O(n)$即 count==array.length，在count!=array.length情况下，代码的时间复杂度为 $O(1)$ 。因此该算法的均摊时间复杂度就为 $O(1)$ 。均摊时间复杂度就是一种特殊的平均时间复杂度。这个概念了解一下即可。