复杂度分析

第一次写博文，侵删并见谅

以下开始正文

为什么需要复杂度分析

把代码跑一遍，通过统计、监控，就能得到算法执行的时间和占用的内存大小，而且是非常精准的，那为什么还要做时间、空间复杂度分析呢？
原因有二：

1. 测试结果非常依赖测试环境：
   例如同样的代码在 i9 和 i3 上跑的时间会不一样
2. 测试结果受数据规模的影响很大：
   小规模数据 情况下 插入排序O(n²) 可能比 快速排序O(nlogn) 还要快
   结果:
   我们需要一个不用具体的测试数据来测试,就可以粗略地估计 算法的执行效率的方法. 这就是我们今天要讲的时间、空间复杂度分析方法。

大O复杂度表示法

例1.

1. int cal(int n) {
2. 	int sum = 0;
3. 	int i = 1;
4. 	for (; i <= n; ++i) {
5. 		sum = sum + i;
6.	 }
7. 	return sum;
8. }

我们假设每行代码执行的时间为unit-time
第2、3行代码分别需要1个unit_time的执行时间，
第4、5行都运行了n遍， 所以需要2n*unit_time，
所以这段代码执行的时间就是T(n) = (2n+2)*unit_time。

例2.

 1. int cal(int n) {
 2. 	int sum = 0;
 3. 	int i = 1;
 4. 	int j = 1;
 5. 	for (; i <= n; ++i) {
 6. 		j = 1;
 7. 		for (; j <= n; ++j) {
 8. 			sum = sum + i * j;
		}
	}
}

我们依然假设每行代码执行的时间为unit-time
第2、 3、 4行代码，每行都需要1个unit_time的执行时间
第5、 6行代码循环执行了n遍，需要2n * unit_time的执行时间
第7、 8行代码循环执行了n2遍，所以需要2n² * unit_time的执行时间
所以，整段代码总的执行时间T(n) = (2n²+2n+3)*unit_time
注意，大O就要登场了
$$T(n)=O(f(n))$$

1. T(n)表示代码执行的时间
2. n表示数据规模
3. f(n)表示每行代码执行的次数总和

大O时间复杂度实际上并不具体表示代码真正的执行时间， 而是代码执行时间随数据规模增长的变化趋势， 所以也叫作渐进时间复杂度， 简称时间复杂度。

低阶、常量、系数三部分并不左右增长趋势，所以例1的T(n) = O(n), 例2的T(n) = O(n²)

时间复杂度分析

三个实用方法：

1. 只关注循环执行次数最多的一段代码
   例1和例2

2. 加法法则

3. 乘法法则

几种常见时间复杂度实例分析

空间复杂度分析