算法复杂度分析

算法复杂度作用

1. 数据结构和算法本身解决的是“快”和“省”的问题，即如何让代码运行得更快，如何让代码更省存储空间。所以，执行效率是算法一个非常重要的考量指标。

2. 多项式阶：随着数据规模的增长，算法的执行时间和空间占用，按照多项式的比例增长。包括，
   O(1)（常数阶）、O(logn)（对数阶）、O(n)（线性阶）、O(nlogn)（线性对数阶）、O(n^2 )（平方阶）、O(n^3 )（立方阶）

3. 非多项式阶：随着数据规模的增长，算法的执行时间和空间占用暴增，这类算法性能极差。包括，O(2^n )（指数阶）、O(n!)（阶乘阶

4. 算法时间复杂度由小到大依次为：Ο(1)＜Ο(logn)＜Ο(n)＜Ο( nlog^n )＜Ο( n^2 ) ＜Ο( n^3 ) ＜…＜Ο( 2^n ) ＜Ο(n!)
   [图片上传失败…(image-516b81-1554175993123)]

空间复杂度

先说空间复杂度，因为空间复杂度比较简单

void print(int n) {
   
  int i = 0;
  int[] a = new int[n];
  for (i; i <n; ++i) {
   
    a[i] = i * i;
  }
  for (i = n-1; i >= 0; --i) {
   
    print out a[i]
  }
}

第 2 行代码中，我们申请了一个空间存储变量 i，但是它是常量阶的，跟数据规模 n 没有关系，所以我们可以忽略。第 3 行申请了一个大小为 n 的 int 类型数组，除此之外，剩下的代码都没有占用更多的空间，所以整段代码的空间复杂度就是 O(n)。

我们常见的空间复杂度就是 O(1)、O(n)、O(n)，像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到。而且，空间复杂度分析比时间复杂度分析要简单很多

时间复杂度

计算时间复杂度的3个方法

---

1. 只关注循环或递归最多的一段代码
2. 加法法则：总复杂度等于量级最大的那段代码的复杂度
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
   (1).对于一些简单的输入输出语句或赋值语句,近似认为需要O(1)时间
   (2).对于顺序结构,需要依次执行一系列语句所用的时间可采用大O下"求和法则"
   (3).对于选择结构,如if语句,它的主要时间耗费是在执行then字句或else字句所用的时间,需注意的是检验条件也需要O(1)时间
   (4).对于循环结构,循环语句的运行时间主要体现在多次迭代中执行循环体以及检验循环条件的时间耗费,一般可用大O下"乘法法则"
   (5)只需计算基本语句执行次数的数量级，只要保证基本语句执行次数的函数中的最高次幂正确即可，可以忽略所有低次幂和最高次幂的系数。这样能够简化算法分析，并且使注意力集中在最重要的一点上：增长率。

---

例1: O(1)

int cal(int n) {
   
    int sum = 0; //1次频度
    int i = 1;//1次频度
    for (; i <= n; ++i) {
   //n次频度
        sum = sum + i;//n次频度
    <