如何分析和统计算法的执行效率和资源消耗

前言

   本文作文学习极客时间课程《数据机构与算法之美》课程的一些笔记与感悟。有兴趣的朋友希望大家关注课程。非常好的课程，不要惧怕数据结构与算法。当你学完整篇专栏，会对你整个职业生涯有比较深远的影响：加油！！！

数据结构与算法之美_算法实战_算法面试-极客时间

---

 一、什么是复杂度分析：

       首先复杂度分析是针对一段程序分析的一种方法论，复杂度从两个角度去分析。一个执行效率。一个是资源消耗，用于分析程序执行效率的方法叫做"时间复杂度"，分析程序消耗空间的方法叫做"空间复杂度"，分别描述了程序执行时间(或占用的空间）随数据规模的增长关系。

---

二、为什么要进行复杂度分析？ 

      一个数据结构和算法的好坏，评判的标准可能会受到很多环境因素的影响。验证环境的CPU，内存资源不一样，验证的数据规模的不一样。所得到的结果是不一样的。所以我们就需要一个不用具体的测试数据来测试，就可以粗略的估计算法执行效率的方法。这就是我们对算法需要进行复杂度分析的原因。

---

 三、如何进行复杂度分析？

  时间复杂度

  我们对如下代码进行复杂度分析

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

    从 CPU 的角度来看，这段代码的每一行都执行着类似的操作：读数据-运算-写数据。尽管每行代码对应的 CPU 执行的个数、执行的时间都不一样，但是，我们这里只是粗略估计，

所以可以假设每行代码执行的时间都一样，为 unit_time。在这个假设的基础之上，这段代码的总执行时间是多少呢？

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 的执行时间，所以这段代码总的执行时间就是 (2n+2)*unit_time。

可以看出来，所有代码的执行时间 T(n) 与每行代码的执行次数成正比。

 这就是大 O 时间复杂度表示法。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，而是表示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（asymptotic time complexity），简称时间复杂度。

 时间复杂度分析的技巧：

1.只关注执行次数最多的一段代码？

比如循环。

2.加法法则:总复杂度等于量级最大的那段代码的复杂度：

比如一段代码中有单循环和多重循环，那么取多重循环的复杂度。

抽象公式：

如果 T1(n)=O(f(n))，T2(n)=O(g(n))；那么 T(n)=T1(n)+T2(n)=max(O(f(n)), O(g(n))) =O(max(f(n), g(n))).

3.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

比如递归、多重循环等

4.多个规模求加法：

比如方法有两个参数控制两个循环的次数，那么这时就取二者复杂度相加。

空间复杂度

      时间复杂度的全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系。类比一下，空间复杂度全称就是渐进空间复杂度（asymptotic space complexity），表示算法的存储空间与数据规模之间的增长关系。

void print(int n) {
  int i = 0;
  int[] a = new int[n];
  for (i; i <n; ++i) {
    a[i] = i * i;
  }

  for (i = n-1; i >= 0; --i) {
    print out a[i]
  }
}

     跟时间复杂度分析一样，我们可以看到，第 2 行代码中，我们申请了一个空间存储变量 i，但是它是常量阶的，跟数据规模 n 没有关系，所以我们可以忽略。第 3 行申请了一个大小为 n 的 int 类型数组，除此之外，剩下的代码都没有占用更多的空间，所以整段代码的空间复杂度就是 O(n)。

    我们常见的空间复杂度就是 O(1)、O(n)、O(n2 )，像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到。而且，空间复杂度分析比时间复杂度分析要简单很多。所以，对于空间复杂度，掌握刚我说的这些内容已经足够了

---

 四、常用的复杂度级别：

  多项式阶：随着数据规模的增长，算法的执行时间和空间占用，按照多项式的比例增长。包括， O(1)（常数阶）、O(logn)（对数阶）、O(n)（线性阶）、O(nlogn)（线性对数阶）、O(n^2)（平方阶）、O(n^3)（立方阶）

非多项式阶：随着数据规模的增长，算法的执行时间和空间占用暴增，这类算法性能极差。包括， O(2^n)（指数阶）、O(n!)（阶乘阶）