算法复杂度分析

 

• 什么是复杂度分析

1. 数据结构和算法是解决“如何让计算机更快，更省空间的解决问题”。
2. 分别从时间复杂度和空间复杂度两个概念来描述性能问题，而者统称为复杂度。
3. 复杂度描述的是算法的执行时间（或占用的存储空间）与数据规模的增长关系。

• 为什么要进行复杂度分析

1. 有的人说我可以通过把程序跑一边，然后做统计，就可以知道算法的执行时间和内存大小。但是这种做法是不准确的，因为太过依赖宿主机器的性能，从而一段代码在不同机器上得到不同的结果。
2. 复杂度分析有不依赖执行环境、成本低、效率高、易操作的优势。
3. 掌握复杂度分析将可以帮助你写出更高效的代码，有利于降低开发和维护成本。

• 如何进行复杂度分析

       1）大O表示法

         算法的执行时间与每行代码的执行次数成正比，用T(n) = O(f(n))*unit-time 表示，其中T(n)表示算法的执行总时间，f(n)表示每行代码执行的总次数，unit-time 代表每行代码的执行时间(这里假设每行代码的执行时间相同）n代表数据的规模。

        2）特点

       以时间复杂度为例，由于时间复杂度描述的是算法的执行时间与数据的增长变化趋势，所以常量阶，低阶以及常数，当数据规模n无线大的时候，对结果都不产生决定性影响，所以都可以忽略。

       3）复杂度分析法则

           a.单段代码看高频：比如循环。

           b.多段代码取最大:   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。

           c.嵌套代码求乘积：比如递归，多重循环等。

           d.多个数据量增值求加法：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。

• 常用的复杂度级别

      多项式阶：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)。随着数据规模的增长，算法的执行时间和占用空间，按照多项式的比例增长。

    非多项式阶：O(2^n)（指数阶）O(n!)(阶乘)。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。