数据结构与算法学习笔记(2):图解数据结构与算法-复杂度分析（一）：大O统计法

立即学习:https://edu.csdn.net/course/play/29510/420447?utm_source=blogtoedu

数据结构初识

线性（用线串起来的数据结构）——增加容易，查找复杂。

用格子分开的数据结构——查找容易，增加复杂。

算法复杂度分析（一）

大O统计法的使用

代码的高效：时间复杂度尽可能低，空间复杂度尽可能小

事后统计法和大O统计法的对比

大O统计法计算方式：

1. CPU执行代码的逻辑步骤：读取数据 > 运算 > 写数据
2. 假设每行代码执行时间一样，及做一个单位时间 unit_time
3. 将所有代码执行时间设为T(n)，T(n)与每行代码执行次数成正比，可得一个关系式。

【例】

算法一：

sum = 0;//1 * unit_time
for(i = 1; i<=n; i++){//n * unit_time
    sum = sum + (-1)^n; //n * unit_time
}

每行代码所需要的时间记为unit_time
第一行：1 * unit_time
第二行：n * unit_time
第三行：n * unit_time
一共需要：(2n + 1) * unit_time

算法二：

sum = 0;
for(i = 1; i <= n; i++){
    for(j = 1; j<=n; j++){
        sum = i + j + sum
    }
}

每行代码所需要的unit_time：
第一行：1 * unit_time
第二行：n * unit_time
第三行：n * n * unit_time
第四行：n * n * unit_time
一共需要 (2n^2 + n + 1) unit_time

将unit_time当作一个标准量，忽略真实值

所有代码执行时间T(n)与每行代码的执行次数n成正比

大O统计法公式：T(n) = O(f(n))

T(n)代表代码执行时间；

n代表数据规模；

f(n)代表每行代码执行次数总和；

O代表T(n)与f(n)成正比；

 

用大O时间复杂度表示法：

算法一：T(n)=O(2n+1)， 算法二：T(n)=O(2n^2+n+1)

大O时间复杂度并不具体表示代码真正的执行时间，代表的是代码执行时间随数据规模增长的变化趋势，所以也叫渐进时间复杂度，简称时间复杂度

当n很大时（甚至无穷大），公式中的低阶项、常量、系数三部分并不能左右趋势走向，所以这三部分都可以忽略，只需要记录一个最大量级就可以

爆炸曲线 2n^2 + n + 1