数据结构-算法分析

效率分析

时间效率

假设：洗一个盘子需要30秒，烘干一个盘子也需要30秒，那么洗完n个盘子加烘干需要多少分钟？

Tn个盘子 = n x (30秒洗+30秒烘干) = 60n 秒

用函数表达就是:

f(x) = 60x

又假设在洗一个盘子时，总会溅水到之前的盘子上，也就是要烘干之前的所有盘子。每洗一个盘子30秒，花30秒烘干最后一个盘子，花30x2秒烘干倒数第二个盘子，花费90秒烘干倒数第三个盘子，以此类推。

Tn = n x(30秒洗) + $\left(\sum _{i=1}^n(i\times 30)\right)$

算术等式 $\left(\sum _{i=1}^{n}i=\frac{n(n+1)}{2}\right)$使上面函数变为：

$$Tn=30n+\frac{30n(n+1)}{2}=15n^2+45n秒$$

如果要洗30个盘子，第一种花费30分钟，而第二种粗心的方法要用2447.5分钟，而且这个时间随着数量会越来越大，这就是我们考虑的时间复杂度。

增长函数和大O记法

1. 首先我们在分析算法时，需要先确定的就是该问题的大小。就洗盘子而言就是洗的个数，如果只洗一个，他们是没有区别的。
2. 确定有效的空间和时间。这是我们在实际应用中最应该考虑的点，算法最终目的就是保证我们程序能保证在有效的运行时间内。
   一个任务的总花费时间，是根据该任务的执行次数相关。

增长函数

表示问题大小和我们希望最优化的值之间的关系。该函数表示了时间复杂度和空间复杂度。
$15n^2+45n$就是增长函数。
但是我们在实际应用中更应该考虑的是渐进复杂度，也就是n随着个数的增长而增长的时间。渐进复杂度被叫做阶次。
$15n^2+45n$在整个等式中，当n非常大时，45n对整个算法的影响很低， 所以阶次$n^2$就是它的时间复杂度，我们记做O(n²)。
而增长函数的执行性时间恒定为O(1)

时间复杂度分析

循环的复杂度

如果一个普通的for循环，且它的循环体里复杂度为O(1)时，那么他们的复杂度为O(n)。

for(int a=1;a<=n;a++){
	/*复杂度O(1)*/
}

对数级复杂度

即循环体中对步进a做了每次乘以2的操作，所以总共循环次数为$O(log(n))$,在程序中如果我们的对数函数没有写底，默认是2,即$O(lo{g}_{2}n)$。在数学中是e。

for(int a=1;a<=n;a++){
	/*复杂度O(1)*/
	a *= 2;
}

嵌套循环复杂度

如果循环体中的复杂度为O(1),那么双层for循环的时间复杂度为O(n²)。