数据结构(02)：算法的度量-时间复杂度

前言

在谈论算法的时间复杂度之前，有必要介绍一下算法的特性，因为只有度量一个“合法”的算法运行效率才是有意义的。算法的特性主要包含四个方面：输入、输出、有穷性、确定性和可行性。

• 输入输出：算法具有零个或多个输入，至少有一个输出
• 有穷性：必须在执行有限的步骤之后，能自动介绍而不会出现无限循环
• 确定性：算法执行的每一个步骤必须是确定的，无二义性的
• 可行性：算法的可以在机器上运行，并得到正确的结果

在简单谈论了算法的特性之后，该做什么呢？算法的四个特性规定了一个基本的算法该有的”样子“，而人类总是”贪婪“的，我们追求的是优质的算法，那什么样的算法是优质的呢？
没错，高效且健壮是算法设计的目标！
所谓高效指的是算法能在尽量短的时间内运行得到正确的结果；所谓健壮指的是算法面对不同的输入数据或者不合法的数据，具有较强的自我分辨能力，比如：要求视觉识别算法能够在较为极端的光照环境下也能正确运行；输入非法的数据能够识别，而不是产生莫名其妙的错误。

算法的运行效率度量

(1)What（什么是算法的运行效率）

本质就是算法从开始运行到运行结束运行时间，运行时间越短，效率越高

(2)How（如何度量算法的运行效率）

事后统计方法：

简单来说在同一环境中跑不同的算法，统计不同算法的运行时间来比较算法的运行效率；这种度量方法要求必须实现编写好算法，如果算法复杂，则需要花费大量的时间和经历来运行测试，且依赖于计算机软硬件等环境因素

事前分析估算方法：

在计算机程序编写之前，依据统计方法对算法进行估算

(3)时间复杂度

A. What（什么是时间复杂度）

本质是一个函数，它定性描述了该算法的运行时间。它用于衡量算法运行时间随输入规模增长的速度
T(n) = O(f(n)),其中n表示问题的规模，函数f(n)是关于问题规模的函数，在实际计算时，通常是统计所有语句执行的次数得到该函数

下面将介绍时间复杂度的计算步骤：

• step01：计算问题规模和算法执行次数的函数表达式，即y = f(n)，n表示问题规模，y表示算法语句执行的总次
• step02：对f(n)函数进行大O阶推导，常见的大O阶有常数阶、线性阶、对数阶、平方阶、立方阶等

B. 示例分析：求解算法的时间复杂度

long calCubeSum(int n){
	long sum; // 标号1
	while(sum<n){  // 标号2
			sum = sum*2; // 标号3
	}
	return sum; // 标号4
}

先求解f(n)：

标号1：执行1次

标号2：执行log2(n)次

标号3：执行log2(n)次

标号4：执行1次

f(n) = 1 + log2(n) + log2(n) + 1 = 2log2(n) + 2;

在求解T(n): 只保留最高阶项

T(n) = O(f(n)) = O(logn)

C.常见的时间复杂度及排序

常数阶、对数阶、nlogn阶、平方阶、立方阶、指数阶、n!阶等；其从小到大排序如下：

O(1) < O(logn) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)