数据结构和算法_零基础入门02_算法时间、空间复杂度

---

b站学习小甲鱼的数据结构与算法，自留笔记。

---

一、算法效率的度量方法

度量效率（算法的执行时间）的方法：
事后统计方法：
设计测试程序和数据，利用计算机计时器对不同算法运行时间做比较。
缺：算法和测试程序一对一，要事先编写测试程序；不同测试环境差别很大。

事前分析估算方法：（用这个）
计算机程序编写前，统计方法进行估算。

---

高级语言编写的程序，运行消耗的时间取决于：
1. 算法的策略、方案
2.编译产生的代码的质量
3.问题输入规模
4.机器执行指令的速度

---

算法的复杂度，侧重于研究算法随输入规模的扩大而增长的一个抽象。把基本操作的数量与输入模式关联起来。
判断算法好坏，需要有足够的测试数据才可。

判断一个算法的效率时，函数中的常数和其他次要项常数可忽略；主要关注主项（最高项）的阶数。

二、算法时间、空间复杂度

2.1 算法时间复杂度：

语句总的执行次数T(n)，问题规模n。
分析T(n)随n的变化情况、T(n)的数量级。

算法的渐进时间复杂度，简称时间复杂度。记作：T(n)=O(f(n))。
表示随问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同。f(n)是n的某个函数。

2.1.1 大O记法：O( )体现算法时间复杂度的记法。

随着n的增加，T(n)增长最慢的算法为最优算法。

推导大O阶方法：

1. 常数1取代运行时间中的所有加法常数。
2. 只保留运行次数中最高阶项n^
3. 最高阶项存在且不为1，则系数变为1

最终得到大O阶。

2.1.2 时间复杂度计算的例子：

1.常数阶

int sum=0,n=100;
print("大O记法");
print("大O记法");
print("大O记法");
print("大O记法");
print("大O记法");
print("大O记法");
sum=(1+n)*n/2;

这段代码的大O为：O（1）；注意不是O(8);

2.线性阶
含有非嵌套的循环；随着问题规模n的增加，对应计算次数呈直线增长。

int i,n=100,sum=0;
for(i=0;i<n;i++)
{
 sum=sum+1;
}

O（n）

3.平方阶
含有嵌套的循环
①

int i,j,n=100;
for(i=0;i<n;i++)
{
 for(j=0;j<n;j++)
 {
 print("平方阶")
 }
}

外层执行一次，内层执行n次，所以n^ n。
即O(n^2)
②

int i,j,n=100;
for(i=0;i<n;i++)
{
 for(j=i;j<n;j++)
 {
 print("平方阶")
 }
}

总的执行次数：n+(n-1)+…+1=n(n+1)/2=1/2 n^2+n/2;
运用攻略后，即O(n^2)

4.对数阶

int i=1,n=100;
while(i<n)
{
 i=i*2;
}

每次i*2后，影响i<n的判断。设x次2相乘后大于等于n，则退出循环。所以2^x=n→x=log(2)n。

即时间复杂度为O(log(n))

5.函数调用的时间复杂度分析
①

int i,j;
for(i=0;i<n;i++)
{
 function(i);
}

void function(int count)
{
print("%d",count);
}

function函数的时间复杂度O（1）
所以整体的时间复杂度是循环的次数，所以为O（n）。
②若function函数改为：

void function(int count)
{
 int j;
 for(j=count;j<n;j++)
 {
  print("%d",j);
 }
}

（1+n）*n/2=1/2 n^2+n/2;
运用攻略后，即O(n^2)。

2.1.3 常见的时间复杂度：

常数阶： O(1)
线性阶： O(n)
平方阶： O(n^2)
对数阶： O(logn)
nlogn阶： O(nlogn)
立方阶： O(n^3)
指数阶： O(2^n)

耗费的时间从小到大排序：
O(1)<O(logn)<O(n)< O(nlogn)<O(n^ 2)<O(n^ 3 )< O(2 ^ n)< O(n!) <O(n^n)

2.1.4 最坏情况和平均情况：

最坏运行时间：最重要的需求，非特别要求，通常都指的是这个。
平均运行时间：期望的运行时间。
例：查询一个n个的随机数中的某个数字，最好的算法时间复杂度O(1)，最差是最后一个查到，O(n)。

2.2 算法空间复杂度：

可以用空间换取时间。
算法空间复杂度：计算算法所需的存储空间，S(n)=O(f(n))
问题的规模n；f(n)为语句中关于n所占存储空间的函数。