【数据结构与算法之美】读书笔记02 -- 时间空间复杂度分析

我们常说工作中遇不到数据结构和算法，其实是我们主动或无意识过滤掉这样的机会。

1 是什么

1. 数据结构和算法解决是“如何让计算机更快时间、更省空间的解决问题”。
2. 因此需从执行时间和占用空间两个维度来评估数据结构和算法的性能。
3. 分别用时间复杂度和空间复杂度两个概念来描述性能问题，二者统称为复杂度。
4. 复杂度描述的是算法执行时间（或占用空间）与数据规模的增长关系。

2 为什么

为什么要进行复杂度分析？

1. 和性能测试相比，复杂度分析有不依赖执行环境、成本低、效率高、易操作、指导性强的特点。
2. 掌握复杂度分析，将能编写出性能更优的代码，有利于降低系统开发和维护成本。

3 如何分析

3.1 大 O 复杂度表示法

3.1.1 举例

代码：

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;
    }
  }
}

1. 每行代码执行时间都是 unit_time；
2. 第 2、3、4 行代码，每行都需要 1 个 unit_time 的执行时间；
3. 第 5、6 行代码循环执行了 n 遍，需要 2n * unit_time 的执行时间；
4. 第 7、8 行代码循环执行了 n 遍，所以需要 2n * unit_time 的执行时间；
5. 所以，整段代码总的执行时间 T(n) = (2n +2n+3)*unit_time。

因此得出，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。

3.1.2 大 O 公式

算法的执行时间与每行代码的执行次数成正比，用 T(n) = O(f(n)) 表示。

1. T(n) 表示算法执行总时间；
2. f(n)表示每行代码执行总次数，
3. n 往往表示数据的规模。
4. 公式中的 O 表示代码的执行时间 T(n) 与 f(n) 成正比；

3.1.3 时间复杂度

所以 3.1.1 中的例子 T(n) = O(2n +2n+3)，就是大 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。

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，如果用大 O 表示法表示刚讲的那段代码的时间复杂度，就可以记为： T ( n ) = O ( n 2 ) T(n) = O(n^2) T(n)=O(n