数据结构--复杂度

一、时间复杂度

1.1 时间复杂度的概念

时间复杂度的定义：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时间。
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。但是我们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。
一个算法所花费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法的时间复杂度。

例：

void Func1(int N)
{
int count = 0;
for (int i = 0; i < N ; ++ i)
{
 for (int j = 0; j < N ; ++ j)
 {
 ++count;
 }
}
 
for (int k = 0; k < 2 * N ; ++ k)
{
 ++count;
}
int M = 10;
while (M--)
{
 ++count;
}
printf("%d\n", count);
}

计算下，在这段代码中，++count 语句被执行的次数

双循环：N * N
单循环2 * N
单循环：M
总次数： F(N)=N²+2*N+M

用数学的说法来看，这就是一个关于N的函数。
实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数，那么这里我们使用大O的渐进表示法。

1.2 大O渐进表示法

大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。
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。

使用大O的渐进表示法以后，Func1的时间复杂度为：

O(N²)

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
最坏情况：N次找到
平均情况：N/2次找到

在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)

1.3 常见时间复杂度计算

例1：

void Func2(int N)
{
   int count = 0;
   for (int k = 0; k < 2 * N ; ++ k)
   {
       ++count;
   }
   int M = 10;
   while (M--)
   {
       ++count;
   }
   printf("%d\n", count);
}

F(N)=2 * N + M ⇒ O(N+M)

例2：

void Func3(int N, int M)
{
   int count = 0;
   for (int k = 0; k < M; ++ k)
   {
       ++count;
   }
   for (int k = 0; k < N ; ++ k)
   {
       ++count;
   }
   printf("%d\n", count);
}

F(N,M)=N+M ⇒ O(N)

例3：

void Func4(int N)
{
   int count = 0;
   for (int k = 0; k < 100; ++ k)
   {
       ++count;
   }
   printf("%d\n", count);
}

F(N)=100 ⇒ O(1)

例4：

long long Fac(size_t N)
{
   if(0 == N)
   return 1;
 
   return Fac(N-1)*N;
}

共递归 N 次 ⇒ O(N)

例5：

//斐波那契数列
long long Fib(size_t N)
{
   if(N < 3)
   return 1;
 
   return Fib(N-1) + Fib(N-2);
}

共递归 2^N ⇒ O(2^N)

二、空间复杂度

空间复杂度也是一个数学表达式，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。
注意：函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了，因此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。
例1：

//冒泡排序
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;
 }
}

运用了常数个内存空间 ⇒ O(1)

例2：

//斐波那契数列
long long* Fibonacci(size_t n)
{
   if(n==0)
   return NULL;
 
   long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
   fibArray[0] = 0;
   fibArray[1] = 1;
   for (int i = 2; i <= n ; ++i)
   {
       fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
   }
   return fibArray;
}

动态开辟了N个空间 ⇒ O(N)

例3：

long long Fac(size_t N)
{
   if(N == 0)
     return 1;
 
   return Fac(N-1)*N;
}

递归N次，调用N次，每次调用开辟常数个内存空间 ⇒ O(N)

三、常见复杂度

5201314	O(1)	常数阶
3n+4	O(n)	线性阶
3n2+4n+5	O(n2)	平方阶
3log(2)n+4	O(log(n))	对数阶
2n+3nlog(2)n+14	O(nlog(n))	nlog(n)阶
n3+2n2+4n+6	O(n3)	立方阶
2n	O(2n)	指数阶