数据结构之复杂度分析

复杂度分两种：

时间复杂度和空间复杂度

为啥要有这种分析？

1.首先你不提前分析，你不知道写的算法的好坏。
2.有人觉得可以把算法用于实际测试根据跑出的时间和空间来进行评价，受到硬件，数据规模，像排序算法还受到数据的顺序影响。

我们用这种方法不是要估计最好的复杂度，而是分析最坏情况下的复杂度（这是一般情况下都这样分析）

这种方法就是不运行你就能知道算法的快慢。

如何计算时间复杂度

假设每行代码执行时间一样
那么分析时间复杂度就是每行代码的执行次数的分析；

 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;
     }
   }
 }

第2.3.4行分别执行一次，故为3次（是常数项）；
第5.6行分别执行n次，故为2n次；
第7.8行分别执行n²次，故为2n²次
所以总共执行(2n2+2n+3)

那么我们表示复杂度（常规情况下）是用O(n)表示，这种表示方法的原则是只保留不带系数的高阶项，去掉低阶项（也包括常数项）。
比如上面的就表示为O(n) = n²。
这种方法实际上是帮我们分析时间复杂度随着数据规模变化而呈现的趋势
因此我们叫渐进时间复杂度（因为不是真实的时间复杂度，忽略低阶项，系数和常数项）

分析技巧

1.取最大量级（加法法则）和关注循环次数最多的一段代码

int cal(int n) {
   int sum_1 = 0;
   int p = 1;
   for (; p < 100; ++p) {
     sum_1 = sum_1 + p;
   }

   int sum_2 = 0;
   int q = 1;
   for (; q < n; ++q) {
     sum_2 = sum_2 + q;
   }
 
   int sum_3 = 0;
   int i = 1;
   int j = 1;
   for (; i <= n; ++i) {
     j = 1; 
     for (; j <= n; ++j) {
       sum_3 = sum_3 +  i * j;
     }
   }
 
   return sum_1 + sum_2 + sum_3;
 }

sum1告诉你是100，它就是常数项，因为下面有带n的执行次数（故在分析时是一定会被去掉的因此我们之后再看到这种直接过就行，哪怕是10000它也是常数项），故sum1我们可以不用去分析了；
sum2.和sum3分别是O(n) 和O(n²)
因此我们的时间复杂度是O(n²)

2.乘法法则（嵌套函数）

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

大家能看到在函数cal的循环里嵌套一个函数f，因此这种情况是乘法
即O(n) = O_cal(n) * O_f(n²)

1.O(1)
首先你必须明确一个概念，O(1) 只是常量级时间复杂度的一种表示方法，并不是指只执行了一行代码。比如这段代码，即便有 3 行，它的时间复杂度也是 O(1），而不是 O(3)。

int i = 8; 
int j = 6; 
int sum = i + j;

我稍微总结一下，只要代码的执行时间不随 n 的增大而增长，这样代码的时间复杂度我们都记作 O(1)。或者说，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Ο(1)。
2.O(logn)、O(nlogn)
对数阶时间复杂度非常常见，同时也是最难分析的一种时间复杂度。我通过一个例子来说明一下。

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

从代码中可以看出，变量 i 的值从 1 开始取，每循环一次就乘以 3。这段代码的时间复杂度为 O(log3n)。

空间复杂度

空间复杂度就简单了，同样我们在分析的时候也是用渐进空间复杂度表示

void print(int n) {
  int i = 0;
  int[] a = new int[n];
  for (i; i <n; ++i) {
    a[i] = i * i;
  }

  for (i = n-1; i >= 0; --i) {
    print out a[i]
  }
}

跟时间复杂度分析一样，我们可以看到，第 2 行代码中，我们申请了一个空间存储变量 i，但是它是常量阶的，跟数据规模 n 没有关系，所以我们可以忽略。第 3 行申请了一个大小为 n 的 int 类型数组，除此之外，剩下的代码都没有占用更多的空间，所以整段代码的空间复杂度就是 O(n)。

重点

1. 时间，空间复杂度我们都用渐进法表示（忽略常数项，低阶项，系数）
2. 时间复杂度是按照语句的执行次数进行计算（一般都假设每个语句执行时间一样）
3. 时间复杂度很重要，要注意嵌套函数的时间复杂度计算
4. O(1)不是只执行一次，而是常数次
5. 复杂度的大小图解
   
6. 像我刚开始也比较纠结最好情况，最坏情况，平均情况的时间复杂度；如果我们要分析算法的好坏在不确定数据的情况下，一般都是按照最坏情况去分析，在已知数据结构的情况下可以帮助我们分析最好情况（但是我们每次分析的时候还是按照最坏情况分析，因为测试集是不确定的）（平均情况不常分析就因为涉及到概率问题，偶尔会使问题变得更复杂）

关注我，会定期更新数据结构与算法，开发中的感悟，共同学习。加油！！！