复杂度

1.算法的概念

算法是用于解决特定问题的一系列的执行步骤。使用不同算法，解决同一个问题，效率可能相差非常大。比如:求第n个斐波那契数(fibonacci number)。
以下是两个求斐波那契数列的算法

public static int fib(int n) {
  if(n <= 1) return n;
  return fib(n-1) + fib(n-2);
 }

虽然此个算法的代码短，但是所需时间耗费大
第二种

public static int fib2(int n) {
   if(n<=1) return n;
  int first = 0;
  int second = 1;
  for (int i = 0; i < n-1; i++) {
   int sum = first + second;
   first = second;
   second = sum;
  }
  return second;
 }

第二种的算法的效率很高。

2. 评价算法

$$如计算\sum _{n=1}n总和的算法。可以看出算法的复杂度和代码的长度没有必然联系。$$
如果单从执行效率上进行评估，可能会想到这么一种方案：比较不同算法对同一组输入的执行处理时间。这种方案也叫做:事后统计法。
上述方案有比较明显的缺点

• 执行时间严重依赖硬件以及运行时各种不确定的环境因素
• 必须编写相应的测算代码入
• 测试数据的选择比较难保证公正性

一般从以下维度来评估算法的优劣

1. 正确性、可读性、健壮性(对不合理输入的反应能力和处理能力)
2. 时间复杂度(time complexity) :估算程序指令的执行次数(执行时间)
3. 空间复杂度(space complexity) : 估算所需占用的存储空间.

3. 大O表示法

大O表示法：一般用大0表示法来描述复杂度， 它表示的是数据规模n对应的复杂度
忽略常数、系数、低阶

• O(9)>>O(1)
• 2n+3 >> O(n)
• n²+ 2n+6 >> O(n²)
• 4n³ + 3n² + 22n+ 100 >> O(n³)
  注意:大0表示法仅仅是一种粗略的分析模型， 是一 种估算， 能帮助我们短时间内了解一个算法的执行效率

常见的复杂度

执行次数	复杂度	非正式术语
12	O(1)	常数阶
2n + 3	O(n)	线性阶
4n2 + 2n + 6	O(n2)	平方阶
4log2n	O(logn)	对数阶
3n + 2nlog2n + 15	O(nlogn)	nlogn阶
4n3 + 3n2 + 22n + 100	O(n3)	立方阶
2n	O(2n)	指数阶

注意：O(1) < O(logn) < O(n) < O(nlogn) < O(n²) < O(n³) < 0(2ⁿ) < O(n!) < O(nⁿ)
助函数生成工具对比复杂度的大小
数据规模较小时

数据规模较大时

3.fib函数复杂度分析

1. 第一种

public static int fib(int n) {
  if(n <= 1) return n;
  return fib(n-1) + fib(n-2);
 }

这种递归算法时间复杂度为O(2ⁿ)

2. 第二种

public static int fib2(int n) {
   if(n<=1) return n;
  int first = 0;
  int second = 1;
  for (int i = 0; i < n-1; i++) {
   int sum = first + second;
   first = second;
   second = sum;
  }
  return second;
 }

时间复杂度为O(n)

他们的差别有多大?
如果有一台1GHz的普通计算机，运算速度10⁹次每秒( n为64 )，O(n)大约耗时6.4* 10-8秒，O(2^m)大约耗时584.94年。有时候算法之间的差距，往往比硬件方面的差距还要大

斐波那契数的线性解法-特征方程

public static int fib3(int n) {
double C = Math.sqrt(5);
return (int)( (Math. pow((1 + c) / 2, n) - Math.pow((1 - c) / 2, n)) / c);
}

时间复杂度视为O(1)

leetcode-斐波那契数

4.算法优化方向

■用尽量少的存储空间
■用尽量少的执行步骤(执行时间)
■根据情况，可以

• 空间换时间
• 时间换空间