数据结构——分析算法时间复杂度与空间复杂度（青岛大学-王卓老师）

2个nxn矩阵相处的算法可描述为：

for(i=1;i<=n;i++){								//n+1次		n次加判断1次
	for(j=1;j<=n;j++){							//n(n+1)次	外n次*（内n次+内判断1次）
+		c[i][j]=0;								//n*n次		
		for(k=0;k<n;k++){						//n*n*(n+1)次	外n*n次*（内n次+内判断1次（从0开始））
			c[i][j]=c[i][j]+a[i][k]*b[k][j];	//n*n*n次		
		}
	}
}

我们把算法所耗费的时间定义为该算法中每条语句的频度之和，则上述算法的时间消耗T(n)为：

T(n)=2n^3^ +3n^2^+2n+1

---

算法的渐进时间复杂度

若有某个辅助函数f(n)，使得当n趋近于无穷大时，T(n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作：

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

称O(f(n))为算法的渐进时间复杂度（O是数量级的符号），简称时间复杂度
一般情况下，不必计算所有操作的执行次数，而只考虑算法中基本操作执行的次数，它是问题规模n的某个函数，用过T(n)表示

---

分析算法时间复杂度的基本办法

1. 找出语句频度最大的那条语句作为基本语句
2. 计算基本语句的频度得到问题规模n的某个函数f(n)
3. 取其数量级用符号“O”表示

x=0;y=0;
for(k=0;k<n;k++)		//n+1次
	x++;				//n次
for(i=0;i<n;i++){		//n+1次
	for(j=0;j<n;j++)	//n*(n+1)次
		y++;			//n*n次
}

f(n)=n*(n+1) T(n)=O(n²)

void exam(float x[][],int m,int n){
	float sum[];
	for(int i=0;i<m;i++){		//m+1次
		sum[i]=0.0;				//m次
		for(int j=0;j<n;j++){	//m*(n+1)次
			sum[i] += x[i][j];	//m*n次
		}
	}
	for(int i=0;i<m;i++){		//m+1次
		cout << i << ":" << sum[i] << endl;	//m次
	}
}

f(n)=m*n T(n)=O(m*n) 时间复杂度是由嵌套最深层语句的频度决定的

上述嵌套最层次语句为sum[i] += x[i][j];

---

分析一下程序段的时间复杂度

i=0;
while(i<=n){
	i*=2;
}

关键要找出来执行次数x与n的关系，并表示成n的函数

若循环执行1次：i=1x2=2¹;
若循环执行2次：i=2x2=2²;
若循环执行3次：i=2x2x2=2³;
若循环执行x次：i=2^x;

设语句i*=2执行次数为x次，由循环条件i<=n
所以2^x≤n => x≤log₂n
即f(n)=log₂n
所以该程序段的时间复杂度T(n)=O(log₂n)

---

（2022）分析一下程序段的时间复杂度

int sum = 0;
for (int i = 1; i < n; i *= 2) 
    for (int j = 0; j < i; j++) 
        sum++;

基本语句显然为sum++;求这道题的时间复杂度就是求sum++;执行的次数与n的关系
若n=1，sum++;的执行次数为0（i,j为空集）
若n=2，sum++;的执行次数为1
若n=3，sum++;的执行次数为3（i取{1,2}，j取{0},{0,1}）
若n=4，sum++;的执行次数为3
若n=5，sum++;的执行次数为7 （i取{1,2,4}，j取{0},{0,1},{0,1,2,3}）
若n=6，sum++;的执行次数为7
若n=7，sum++;的执行次数为7
若n=8，sum++;的执行次数为7
若n=9，sum++;的执行次数为15（i取{1,2,4,8}，j取{0},{0,1},{0,1,2,3},{0,1,2,3,4,5,6,7}）
若n=10，sum++;的执行次数为15
sum++;执行的次数≤ 2n-3
所以本题的时间复杂度为O(n)

---

算法时间复杂度计算续

顺序查找，在数组a[i]中查找值等于e的元素，返回其所在位置

for(int i=0;i<n;i++){
	if(a[i] == e) return i+1;	//	找到，则返回是第几个元素
}
return 0;

最好时间复杂度：1
最坏时间复杂度：n
平均时间复杂度：O(n)

---

渐进空间复杂度

空间复杂度： 算法所需存储空间的度量
记作：

S(n)=O(f(n))
其中 n为问题的规模

算法要占据的空间

• 算法本身要占据的空间，输入/输出，指令，常数，变量等
• 算法要使用的辅助空间

例：将一维数组a中的n个数逆序存放到原数组中

for(i=0;i<n/2;i++){
	t=a[i];
	a[i]=a[n-i-1];
	a[n-i-1]=t;
}

t即为辅助空间，原地工作

S(n)=O(1)

for(i=0;i<n;i++){
	b[i]=a[n-i-1];
}
for(i=0;i<n;i++){
	a[i]=b[i];
}

a[n]即为辅助空间

S(n)=O(n)