数据结构与算法、第三篇：时间复杂度（下）

复杂度分析

1. 最坏情况时间复杂度：代码在最理想情况下执行的时间复杂度
2. 最好情况时间复杂度：代码在最坏情况下执行的时间复杂度
3. 平均时间复杂度：用代码在所有情况下执行的次数的加权平均值表示
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有时序关系时，可以将个别高级别复杂度均摊到低级别复杂度上。基本上均摊结果就等于低级别复杂度

为什么要引入这4个概念

1. 同一段代码在不同情况下时间复杂度会出现量级差异，为了更全面，更准确的描述代码的时间复杂度，所以引入这4个概念
2. 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复杂度。大多数情况下，是不需要区别分析他们

如何分析

//在数组中查找值等于x的下标
// n 表示数组 array 的长度
int find(int[] array, int n, int x) {
  int i = 0;
  int pos = -1;
  for (; i < n; ++i) {
    if (array[i] == x) {
       pos = i;
       break;
    }
  }
  return pos;
}

最好时间复杂度：O(1) ---->因为有一种情况，就是数组的第一个就是他要找的元素
最坏时间复杂度：O(n) ---->因为有一种情况，如果这个x不在数组中的时候，我们就得吧数组全部遍历一遍

平均时间复杂度：O(n)
分析：

1. 先分析情况： 有n+1种循环情况---->在数组中的0~n-1 位置中和不在数组中。
2. 计算平均值：
   1. 普通平均值（X1+X2+X3+X4+…+Xn)/n 有n种情况，求每一种的平均值，与分子的数据类型无关。只与个数数量有关）
      
      要查找的变量x在数组中的位置，有n+1种情况：在数组的0~n-1位置中和不在数组中。
      我们把每种情况下，查找需要遍历的元素个数累加起来，然后再除以n+1，就可以得到需要遍历的元素个数的平均值
   2. 加权平均值
      

概率	情况1	情况2
—	在数组中	不在数组中
概率	1/2	1/2
—	在数组中每个元素的概率	不在数组中每个元素的概率
概率	1/n	1

要查找的变量x，可以分为两种情况
在数组中 和不在数组中

1. 假设这两种情况的概率都是1/2。
2. 另外，要查找的数据出现在0~n-1这n个位置的概率也是一样的，为1/n。

所以根据概率乘法法则，要查找的数据出现在0~n-1的位置的概率1/2n。然后把每种情况乘以概率相加，就得到他的加权平均值，用大O表示法来表示，去掉常量和系数，这段代码的加权平均时间复杂度依旧是O(n)

---

均摊时间复杂度

分析方法---->摊还分析（或者叫平摊分析）

 // array 表示一个长度为 n 的数组
 // 代码中的 array.length 就等于 n
 int[] array = new int[n];
 int count = 0;
 
 void insert(int val) {
    if (count == array.length) {
       int sum = 0;
       for (int i = 0; i < array.length; ++i) {
          sum = sum + array[i];
       }
       array[0] = sum;
       count = 1;
    }

    array[count] = val;
    ++count;
 }

这段代码实现了一个往数组中插入数据的功能。当数组满了之后，也就是代码中count==array.length时，我们用for循环遍历数组求和，并清空数组，将求和之后的sum值放到数组的第一个位置，然后再讲新的数据插入。但如果数组一开始就有空闲空间，则直接将数据插入数组。

最好时间复杂度：O(1)---->最理想的情况下，数组有空闲空间，我们只需要将数据插入到数组下标为count的位置就可以了。
最坏时间复杂度：O(n)---->最坏的情况下，数组中没有空闲空间了，我们需要先做一次数组的遍历求和，然后再将数据插入，所以最坏的时间复杂度为O(n)

加权平均时间复杂度：O(1)
分析：假设数组的长度是n，根据数据插入的位置的不同，我们可以分为n种情况，每种情况的时间复杂度为O(1).除此之外，还有一种额外的情况，就是在数组没有空闲空间时插入一个数据，这个时候的时间复杂度是O(n).而且这n+1种情况发生的概率一样，都是1/(n+1).所以根据加权平均的计算方法，我们求得的平均时间复杂度就是

1p+1p+…+np+np，这种加权平均数计算，1是代码执行的次数，p是概率

对比

1. find()函数在极端情况下，复杂度才为O(1).但是insert()在大部分情况下，时间复杂度为O(1).只有个别情况下，复杂度才比较高，为O(n)
2. 对于insert()函数来说，O(1)时间复杂度的插入和O(n)的时间复杂度的插入，出现的频率是非常有规律的，而且有一定的前后时序关系，一般都是一个O(n)插入之后，紧跟着n-1个O(1)的插入操作，循环往复。

针对这种特殊的场景的复杂度，我们不需要像平均复杂度分析方法那样，找出所有的收入情况及其相应的发生概率

均摊时间复杂度：O(1)
分析：每一次O(n)的插入操作，都会跟着n-1次的O(1)的插入操作，所以把耗时多的那次操作均摊到接下来的n-1次耗时少的操作上，均摊下来，这一组连续的操作的均摊时间复杂度就是O(1)

对一个数据结构进行一组连续操作中，大部门情况下时间复杂度都很低，只有个别情况下时间复杂度比较高，而且这些操作之间存在前后连贯的时序关系，这个时候，我们就可以将这一组数据放在一块儿分析，看看能否将较高时间复杂度那次操作的耗时，平摊到其他那些时间复杂度比较低的操作上，而且在能够应用均摊时间复杂度分析的场合，一般均摊时间复杂度度就等于最好情况时间复杂度