笔记：复杂度分析（下）

前言

上一章中，做了复杂度分析的大部分知识的笔记：大O表示法以及相关的分析技巧，今天继续学习复杂度分析的其他知识。

四个复杂度分析

1.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。 2.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。 3.平均时间复杂度（加权平均时间复杂度）：代码在所有情况下执行次数的加权平均值表示的时间复杂度。 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体时序关系时，可以将个别高级别复杂度均摊到低级复杂上。基本上均摊结果就等于低级复杂度。

为什么引入这些概念

先举一个查找元素的例子：

void method(int [] array, int s) {
  // array是一个大小为n的数组
  int count = -1;
  for(int i = 0;i < array.length; i ++) {
     if(array[i] == x) {
      count = i;
      break;
     }
  }
  return count;
}
复制代码

可以看出，有可能执行1次就找到了，有可能需要执行n次就找到了，还有可能执行了 n+1 次没有找到。这个时候就需要上面的四个复杂度进行分析了。

代码复杂度在不同情况下出现量级差别时，才需要区别这四种情况，大多数情况下，是不需要区别分析它们的。

可以得出，最好情况时间复杂度为O(1),最坏情况时间复杂度为O(n)。那么平均复杂度和均摊复杂度又是什么呢？

如何进行平均、均摊复杂度分析

1.平均时间复杂度 代码在不同情况下的平均时间复杂度，用代码所有可能情况下执行次数的加权值表示。 在上述例子中，假如，出现在数组中和不出现在数组中的概率是对等的，每个都是1/2，0～n-1的概率也是相等的，就是1/n，那么每种情况就是 1/2n，那么就有了下面的公式：

1 * 1/2n + 2 * 1/2n ··· n * 1/2n = (3n +1)/4
复制代码

用大O表示法，就是O(n)

2. 均摊时间复杂度 这种情况比平均时间复杂度的场景更加的特殊，可以将均摊时间复杂度理解为一种特殊的平均时间复杂度。就是将高级的复杂度均摊到低级的复杂度上。

int [] array = new int [n]

void insert (int x, int s) {
  if(x >= n) {
    int [] array1 = new int [x + 1]
    for(int i = 0; i < n; i ++) {
      array1[i] = array[i]
    }
    array1[x] = s;
    return array1;
  } else{
      array[x] = s
      return array
  }

}
复制代码

分为两种 一种是 n >= x,执行一次，复杂度为O(1)。另一种 n < x，执行n次，复杂度为O(n).假如这 n+1次发生的概率一样,都是 1/n+1,

(1 * 1/n+1) + (1 * 1/n+1) + ... +(n * 1/n+1) = O(1) 
复制代码

所以均摊复杂度为 O(1)