数据结构与算法：03 | 复杂度分析（上）

大O复杂度表示法

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

假设每行代码执行的时间都为 unit_time:

• 第 2、3 行：分别需要 1 个 unit_time
• 第 4、5 行：循环 n 遍，需要 2n*unit_time

所以这段代码总执行时间为： T(n) = (2n+2)*unit_time。

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;
     	}
   	}
}

双层循环：

• 第 2、3、4 行：都需要 1 个 unit_time
• 第 5、6 行：在这里插入代码片循环 n 遍，需要 2n * unit_time
• 第 7、8 行：循环执行了 $n^2$遍，所以需要 $2n^2$ * unit_time

所以总执行时间 T(n) = ($2n^2$+2n+3)*unit_time。

总结出规律：大O时间复杂度表示法

所有代码的执行时间 T(n) 与每行代码的执行次数成正比：
$$T(n)=O(f(n))$$

• T(n) 表示代码执行的时间；
• n 表示数据规模的大小；
• f(n) 表示每行代码执行的次数总和;
• 公式中的 O，表示代码的执行时间 T(n) 与 f(n) 表达式成正比。

大O时间复杂度并不具体表示代码执行时间，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，简称时间复杂度。

我们只需记录一个最大量级，用大 O 表示法表示以上两段代码的时间复杂度：
$$T(n)=O(n)；T(n)=O(n^2)$$

时间复杂度分析

三个要点：

1. 只关注循环执行次数最多的一段代码：比如第一段代码的4,5行
2. 加法法则：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

几种常见时间复杂度

• 常量阶：$O(1)$
• 对数阶：$O(logn)$

以下代码：

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

$2^x=n$， 解出 $x$ 就知道执行次数最多的代码（第3行）的执行次数，$x=lo{g}_2^n$，所以时间复杂度为：$O(lo{g}_2^n)$，可以即为$O(logn)$，因为 $O(lo{g}_2^n)$ 和 $O(lo{g}_3^n)$ 之间仅仅相差一个常量 $C=lo{g}_3^2)$。

• 线性阶：$O(n)$
• 线性对数阶：$O(nlogn)$

$O(logn)$的代码循环$n$次。。。

• 平方阶：$O(n^2)$
• 立方阶：$O(n^3)$
• 指数阶：$O(2^n)$
• 阶乘阶：$O(n！)$

以上复杂度可以简单分两类：多项式量级和非多项式量级。非多项式量级只有两个：$O(2^n)$， $O(n！)$。

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。

空间复杂度分析

空间复杂度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。