算法复杂度分析

递推算法

对于递推类和循环类算法，我们一般统计其主要的基本操作个数与问题的规模大小。从而就可以推出算法复杂度。

递归算法

1. 对于任意$\alpha != 1$的通式$T(n) = T(\alpha n) + T((1-\alpha)n)+cn$，其时间复杂度都是$O(nlogn)$
2. 对于范式$T(n)=aT(n/b) +n^d$,对于$a>1,b>1,d>0$,所以可以得出最后的复杂度为：
   
   对上面分析，当$d>log_ba$时，那么$\frac{a}{b^d}$就小于1，所以$1+\frac{a}{b^d}+(\frac{a}{b^d})^2+ .......+ (\frac{a}{b^d})^{log_bn}$的和极限一定小于某个常数，即$T(n) < C * n^d$，所以$T(n)=n^d$.
   当$d=log_ba$时，那么$1+\frac{a}{b^d}+(\frac{a}{b^d})^2+ .......+ (\frac{a}{b^d})^{log_bn}$等于$log_bn$,所以这个时候$T(n) =n^{log_ba}logn$ .
   当$d<log_ba$时，那么$\frac{a}{b^d}$就大于1，所以$1+\frac{a}{b^d}+(\frac{a}{b^d})^2+ .......+ (\frac{a}{b^d})^{log_bn}$的和是一个随n的线性增长，即$T(n) < n^{log_ba}$，所以$T(n)=n^{log_ba}$.

双层递推

如：

$$a*T(n) +b*T(n-1) + c*T(n-2)=0$$
对于此类问题的分解：
采用求取特征值的求法:
$$ax^2 + bx +c = 0$$
这样转换的原因在于，呈现上述公式的解一般是指数型解可以化简，这样x就相当于指数基数了。这样就可以最终求出 $T(n)$的表达式，时间复杂度一目了然。

特殊形式

$$M(n) = k_1M(n-1)+ k_2$$
当 $k_1 \neq 1$时，这样的表达式一般表示的也是指数级别的复杂度。