数据结构—求算法效率的介绍

一、算法效率。

• 算法效率分析分为两种：第一种是时间效率，第二种是空间效率。时间效率被称为时间复杂度，而空间效率 被称作空间复杂度。
• 时间复杂度主要衡量的是一个算法的运行速度，而空间复杂度主要衡量一个算法所需要 的额外空间，在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。
  

二、时间效率。

（一）定义：

（1）时间效率也被称为时间复杂度，它反映的是一个算法所执行时间的快慢，时间复杂度大，则效率低，反之，效率就高。
（2）在计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行间。一 个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。所以才会有时间复杂度的分析方式。一个算法所花费的时间与其中语句的执行次数成正比例，因此，算法中的基本操作的执行次数，为算法的时间复杂度。

（二）表示法：

大O渐进法表示算法复杂度：
大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。

#include<iostream>
using namespace std;
//9*9乘法口诀表
void Print()
{
	for (int i = 1; i <= 9; ++i)
	{
		for (int j = 1; j <= i; ++j)
		{
			printf("%d * %d = %d  ", i, j, i*j);
		}
		printf("\n");
	}
}
int main()
{
	Print();
	return 0;
}

那它的空间复杂度又会是如何呢？

推导大O阶方法：

• 1、用常数1取代运行时间中的所有加法常数。
• 2、在修改后的运行次数函数中，只保留最高阶项。
• 3、如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。
  即：使用大O的渐进表示法以后，上述代码的时间复杂度为：O(N^2)

通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数。
另外有些算法的时间复杂度存在最好、平均和最坏情况：
最坏情况：任意输入规模的最大运行次数(上界)
平均情况：任意输入规模的期望运行次数
最好情况：任意输入规模的最小运行次数(下界)
例如：
在一个长度为N数组中搜索一个数据x 。
最好情况：1次找到。（x在第一个位置）
最坏情况：N次找到。（x在最后一个位置）
平均情况：N/2次找到。
例题1：

void BubbleSort(int* a, int n)
{
	assert(a);
	for (size_t end = n; end > 0; --end)
	{
		int exchange = 0; 
		for (size_t i = 1; i < end; ++i)    
		{ 
			if (a[i - 1] > a[i])        
			{ 
				swap(&a[i - 1], &a[i]);
				exchange = 1; 
			} 
		}

		if (exchange == 0)        break;
	}
}

基本操作执行最好N次，最坏执行了(N*(N+1)/2次，通过推导大O阶方法+时间复杂度一般看最 坏，时间复杂度为 O(N^2) 。

三、空间效率。

空间效率指的就是空间复杂度：
空间复杂度是对一个算法在运行过程中临时占用存储空间大小的量度 。空间复杂度不是程序占用了多少 bytes的空间，因为这个也没太大意义，所以空间复杂度算的是变量的个数。空间复杂度计算规则基本跟实践 复杂度类似，也使用大O渐进表示法。
例如：

long long Factorial(size_t N)
 {    
 return N < 2 ? N : Factorial(N-1)*N; 
 } 

递归调用了N次，开辟了N个栈帧，每个栈帧使用了常数个空间。空间复杂度为O(N) 。