数据结构与算法——重头来过（一）

复杂度分析/大O表示法：

一、渐进时间复杂度（时间复杂度）

 1、三种分析法则

      1）只关注循环执行次数最多的一段代码

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

 

以上这段代码2,3行都是常量单位时间，与n无关，与复杂度无关，看4,5行代码都需要执行n次，则整段代码的时间复杂度为O(n)
 

      2）加法法则:总复杂度等于量级最大的那段代码的复杂度

int cal(int n) {
   int sum_1 = 0;
   int p = 1;
   for (; p < 100; ++p) {
     sum_1 = sum_1 + p;
   }

   int sum_2 = 0;
   int q = 1;
   for (; q < n; ++q) {
     sum_2 = sum_2 + q;
   }
 
   int sum_3 = 0;
   int i = 1;
   int j = 1;
   for (; i <= n; ++i) {
     j = 1; 
     for (; j <= n; ++j) {
       sum_3 = sum_3 +  i * j;
     }
   }
 
   return sum_1 + sum_2 + sum_3;
 }

 该部分代码中分三部分，第一部分与n无关为常量，第二部分执行n次表示为O(n)，第三部分循环嵌套执行n2次表示为O(n2),整段代码复杂度取最大的O(n2),抽象成公式，T1(n)=O(f(n)),T2=O(g(n)),T(n)=max(O(f(n)),O(g(n))),T(n)=O(max(f(n),g(n))),加法还有一种情况就是在有多个数据规模的时候，且数据规模不为常量时，需要叠加

      3）乘法法则:嵌套代码的复杂度就是内外复杂度的乘积

T(n)=T1(n)*T2(n),T(n)=O(f(n))*O(g(n))=O(f(n)*g(n)),假设T1(n)=O(n),T2(n)=O(n2),则T(n)=O(n)*O(n2)=O(n3).

1int cal(int n) {
2   int ret = 0; 
3   int i = 1;
4   for (; i < n; ++i) {
5     ret = ret + f(i);
6   } 
7 } 
8 
9 int f(int n) {
10  int sum = 0;
11  int i = 1;
12  for (; i < n; ++i) {
13    sum = sum + i;
14  } 
15  return sum;
16 }

 4,5行代码中嵌套了f方法，12,13执行n次，整段代码的时间复杂度为O(n2)

2、复杂度常见实例

先列举（按复杂度递增）：常量阶O(1),对数阶O(logn)，线性阶O(n)，线性对数阶O(nlogn)，平方阶O(n2)，立方阶O(n3)

1)常量阶O(1):只要代码执行时间不会随着n增大而增大，则就是常量阶，代码中不存在循环，递归等，无论代码量多少都是常量阶

2)对数阶O(logn),线性对数阶O(nlogn):

二、渐进空间复杂度（空间复杂度）