数据结构与算法之美（复杂度分析1）

补充

1. 数据结构和算法解决的是“如何让计算机更快时间、更省空间的解决问题”。
2. 需从执行时间和占用空间两个维度来评估数据结构和算法的性能
3. 分别用时间复杂度和空间复杂度两个概念来描述性能问题，二者统称为复杂度
4. 复杂度描述的是算法执行时间（或占用空间）与数据规模的增长关系

一、为什么要进行复杂度分析（事后统计法）？

测试结果非常依赖测试环境、测试结果受数据规模的影响很大

二、大O表示法

1. 由来
   我们通过对一段代码的总执行时间的计算，我们可以得到一个非常重要的规律：所有代码的执行时间T(n)与每行代码的执行次数n成正比。

   
   T(n)表示代码执行的时间；n表示数据规模的大小；f(n)表示每行代码执行的次数总和。因为这是一个公式，所以用f(n)来表示。公式中的O，表示代码的执行时间T(n)与f(n)表达式成正比

2. 表示法
   大O时间复杂度表示法实际上并不具体表示代码真正执行时间，而是表示代码执行时间随数据规模增长的变化趋势（低阶、常量、系数这三部分并部左右增长趋势）。

三、时间复杂度分析

1. 如何分析一段代码的时间复杂度？
   • 只关注循环执行次数最多的一段代码
   • 加法法则：总复杂度等于量级最大的那段代码的复杂度
   • 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

四、几种常见时间复杂度实例分析

我们可以粗略地分为两类，多项式量级和非多项式量级。其中，非多项式量级只有两个：O(2^n)和O(n!)。

1. O(1)
   只要代码的执行时间不随n的增大而增大，这样代码的时间复杂度我们记作O(1)。或者说，一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其时间复杂度也是Ο(1) 。
2. O(logn)、O(nlogn)

  i=1; 
   while (i <= n)  {
   	i = i * 2; 
   }

4. O(m+n)、O(m*n)

int cal(int m, int n) {
       	int sum_1 = 0;  
       	int i = 1;  
       	for (; i < m; ++i) {
           	sum_1 = sum_1 + i;
            }  
            int sum_2 = 0;  
            int j = 1;  
            for (; j < n; ++j) {    
            	sum_2 = sum_2 + j;  
            	}  
            	return sum_1 + s；
            }

从代码中可以看出，m和n是表示两个数据规模。我们无法事先评估m和n谁的量级大，所以我们在表示复杂度的时候，就不能简单地利用加法法则，省略掉其中一个。所以，上面代码的时间复杂度就是O(m+n)。

五、如何掌握复杂度

关键在于多练，所谓熟能生巧