复杂度分析

复杂度分析是整个算法学习的精髓，只要掌握了它，数据结构和算法的内容基本上就掌握了一半。

如何分析、统计算法的执行效率和资源消耗

为什么需要复杂度分析？

事后统计法 ：把代码跑一遍，通过统计、监控，得到算法执行的时间和占用的内存大小

这种评估算法执行效率的方法是正确的 ， 但是，这种统计方法有非常大的局限性。

1. 测试结果非常依赖测试环境

2.测试结果受数据规模的影响很大

不用具体的测试数据来测试，就可以粗略地估计算法的执行效率的方法。

大O复杂度表示法

时间复杂度分析

1.只关注循环执行次数最多的一段代码

我们在分析一个算法、一段代码的时间复杂度的时候，也只关注循环执行次数最多的那一段代码就可以了。

2.加法法则：总复杂度等于量级最大的那段代码的复杂度

总的时间复杂度等于量级最大的那段代码的时间复杂度。

3.乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

几种常见时间复杂度实例分析

空间复杂度分析

时间复杂度的全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系。

空间复杂度全称就是渐进空间复杂度，表示算法的存储空间与数据规模之间的增长关系。

常见的空间复杂度就是O(1)、O(n)、O(n2 )，像O(logn)、O(nlogn)这样的对数阶复杂度平时都用不到。

内容小结：

• 复杂度也叫渐进复杂度，包括时间复杂度和空间复杂度，用来分析算法执行效率与数据规模之间的增长关系，可以粗略地表示，越高阶复杂度的算法，执行效率越低。
• 常见的复杂度并不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n2 )。
• 

浅析最好、最坏、平均、均摊时间复杂度

1.最好情况时间复杂度：代码在最理想情况下执行的时间复杂度。
2.最坏情况时间复杂度：代码在最坏情况下执行的时间复杂度。
3.平均时间复杂度：用代码在所有情况下执行的次数的加权平均值表示。
4.均摊时间复杂度：在代码执行的所有复杂度情况中绝大部分是低级别的复杂度，个别情况是高级别复杂度且发生具有时序关系时，可以将个别高级别复杂度均摊到低级别复杂度上。基本上均摊结果就等于低级别复杂度。