复杂度分析

知识点目录

1.为什么需要复杂度分析

2.大O复杂度表示法

• 2.1 三种常用的时间复杂度分析法

  1. 只计算执行次数最多的那一段代码
  2. 加法法则
  3. 乘法法则

3.常见的几种时间复杂度

• 3.1 常量阶O(1)
• 3.2 对数阶O(logn)
• 3.3 O(m+n)、O(mn)

4.空间复杂度分析

5.最好、最坏情况时间复杂度

6.平均情况时间复杂度

7.均摊时间复杂度

8.复杂度总结

复杂度分析

数据结构和算法的本质就是解决“快”和“省”的问题，即如何让代码运行得更快，如何让代码更省内存空间的问题。因此执行效率就是算法一个非常重要的考量指标。而时间、空间复杂度就是用来衡量算法执行效率的。因此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。

1. 为什么需要复杂度分析？

实际上我们将代码跑一遍，通过监控、统计，就能准确地知道执行时间和占用的内存大小。这种方法叫作“事后统计法”。既然有了这种方法，那么为什么还要时间、空间复杂度分析呢？因为“事后统计法”有很多的局限性：

(1) 测试结果非常依赖测试环境

测试结果非常依赖硬件。同样的代码分别在Intel i9处理器和Intel i3处理器上运行，肯定是i9
比i3的执行速度要快很多。还有原本在这台机器上a代码执行的速度要比b代码块，但放到另一台机
器时，可能就会出现截然相反的结果。

(2) 测试结果受数据规模的影响

同一个排序算法，不同的数据排序，执行时间就会很大的差别。极端情况下，如果数据已经是有序
的，那排序算法不需要做任何操作，执行时间就会非常短。另外，如果测试数据规模太小，测试结果
可能无法真实地反应算法的性能。比如：小规模的数据排序，插入排序可能会比快速排序要快。

综上，我们需要一个不用具体的测试数据来测试，就可以粗略地计算出执行效率的方法—时间、空间复杂度分析法。

2. 大O复杂度表示法

算法的执行效率就是在不运行代码的情况下，直接就可以粗略计算出代码的执行时间。

下面我们先尝试计算出下面这段代码的执行时间：

 int cal(int n) {
   int sum = 0;            ------1个unit_time
   int i = 1;              ------1个unit_time
   for (; i <= n; ++i) {   ------n个unit_time
     sum = sum + i;        ------n个unit_time
   }
   return sum;
 }

尽管每行代码对应的CPU执行的个数、执行的时间都不一样，但我们这里只是粗略地计算，所以假设每行代码执行的时间都一样，为unit_time。在这个假设的前提下，上面这段代码的执行总时间可以按照如下计算：

第2、3行代码分别需要执行1个unit_time的执行时间，第4、5行都执行了n遍，所以都需要n个
unit_time的执行时间，所以这段代码总执行时间就是(2+2n)*unit_time。可以看出所有代码的
执行时间T(n)与每行代码执行次数成正比。

按照上面的分析思路，继续计算出下面代码的执行时间：

 int cal(int n) {
   int sum = 0;            ------1个unit_time
   int i = 1;              ------1个unit_time
   int j = 1;              ------1个unit_time
   for (; i <= n; ++i) {   -