数据结构-复杂度的讲解-时间复杂度

1.算法效率

  如何去衡量算法的好坏？

  简单来说，一般是从时间复杂度和空间复杂度来衡量

---

2.时间复杂度

2.1 时间复杂度的概念：一个算法所花费的时间和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。（从理论来说，时间复杂度是一个函数，它定量描述了一个算法的运行时间，但是由于设备和环境等因素的差异，是不能算出来并进行有意义的比较的，所以才运用此种方法定义时间复杂度）

总之：找到基本语句与问题规模之间的数学表达式，即算出了该算法的时间复杂度。

例：

 可知Func1的基本操作次数为：F(N)=N^2+2*N+10

N = 10     F(N) = 130

N = 100   F(N) = 10210

N = 1000  F(N) = 1002010

  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。 

---

2.2 大O的渐进表示法

大O符号（Big O notation）：是用于描述函数渐进行为的数学符号（O也可以理解为估算）

推导大O阶方法(不必死记硬背）：

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。

用以上方法 可知Func1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

  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)

---

2.3 常见时间复杂度举例

实例1：

实例2：

 实例3：

 实例4：

实例5： 

实例6：

 

 实例7：

实例8： 

 

 实例答案及分析：

1. 实例1基本操作执行了2N+10次，通过推导大O阶方法知道，时间复杂度为 O(N)

2. 实例2基本操作执行了M+N次，有两个未知数M和N，时间复杂度为 O(N+M)  

    注意:此处未能确定M与N的关系，很多人误以为M和N是同阶，将时间复杂度错写为O(N)或者是O(M)

3. 实例3基本操作执行了10次，通过推导大O阶方法，时间复杂度为 O(1)

4. 实例4基本操作执行最好1次，最坏N次，时间复杂度一般看最坏，时间复杂度为 O(N)

5. 实例5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)

6. 实例6基本操作执行最好1次，最坏O(logN)次，时间复杂度为 O(logN)

    ps：logN在算法分析中表示是底数为2，对数为N。有些地方会写成lgN。（建议通过折纸查找的方式讲解logN是怎么计算出来的）

7. 实例7通过计算分析发现基本操作递归了N次，时间复杂度为O(N)。

8. 实例8通过计算分析发现基本操作递归了2^N次，时间复杂度为O(2^N)。（建议画图递归栈帧的二叉树 讲解）