摊还分析/平摊分析（Amortized Analysis）：从白痴到入门

什么是摊还分析？

摊还分析其实就是评价某一个操作的代价，方法就是求某数据结构中一系列操作的平均时间。
摊还分析与概率无关，可以保证某一系列操作在最坏情况下的平均性能。

什么意思呢？举个例子，我们都知道栈这个数据结构，假设现在一个栈支持三种操作：

POP(S)     //弹出栈顶元素
PUSH(S,x)  //将元素x压如栈中
MultiPop(S,k)   //将栈的前k个元素弹出

普通分析：

• 设栈为空栈，那么一系列操作，操作总数为n，分别执行PUSH(S,x), POP(S), MultiPop(S,k)操作，所以栈中最大元素数量为n。
• 对于操作MultiPop(S,k)，最坏情况是$O(n)$，因为容器最多含有n个元素。
• 可以得出，对任意的栈的MultiPop(S,k)操作，最差时间复杂度都是$O(n)$，那么要进行n个MultiPop(S,k)的操作，时间复杂度自然是$O(n^2)$
• 这种分析是对的，但是我们从常识得知，当我们第一次取出n个元素的时候，第二次以后的POP(S)操作时间复杂度就都是$O(1)$了，所以我们的普通分析并不能更准确的求出时间复杂度。于是我们引入了摊还分析。

摊还分析

• 我们的POP(S)操作和MultiPop(S,k)操作只能在非空的栈上操作（也可以在空栈操作，最多返回null，但是这没意义）。也就是说，POP(S)能执行多少次，在于PUSH(S,x)了多少次。PUSH(S,x)了n次，那么POP(S)就只能操作n次。同理适用于MultiPop(S,k)
• 对于任意的n，任意顺序的上述三种操作最多消耗O(n)时间。像一半操作PUSH一半操作POP。那么整体来说每个操作所以需时间为$O(n)/n=O(1)$

---

上面看不懂没关系，下面才是重点。

问题引入

我们知道HashTable的查找时间复杂度是$O(1)$，最差情况是$O(n)$，这里我们认为一个HashTable是一个能够良好的解决冲突的，那么时间复杂度就是常数级别。这里就有一个问题：如何确定HashTable的最优大小？

我们的经验之谈，反正HashTable不管多大，查找时间都是常数级别，那么就让他越大越好咯。这句话本身没错，但是考虑到内存限制，我们不可能让它越大越好。现在语言中提供的API里，一般的解决方法都是给出一个固定大小的HashMap（如容量为8），当这个HashTable被填满或者填充到一定程度的时候，在对它进行动态扩容。一次扩容量为它的二倍。也就是原本为8个单位容量的表，满了后容量会变成16个单位，然后32个单位，64个单位…

上述提到的HashTable，我们会称为“动态表”(dynamic table)，那么为什么会以这个速率扩容呢？为什么不每次扩容一个固定值呢？毕竟固定值也好计算，不用再进行二进制逻辑左移位来做到二倍扩充。接下来我们分析内部逻辑。

动态表

我在前面提到，当表中数据满了，会以二倍的容量扩充。

如果我们自己手动实现一个HashTable，会发现扩充其实不那么容易。由于语言的限制，我们没法在原表扩充。比如C++的:

static int size = 1 << 3;
HashTable hashtable = new HashTable(size);
//扩容
size = size << 1;
hashtable = new HashTable(size);

这么做会把原表数据丢掉。所以我们惟一的方法就是：

static int size = 1 << 3;
//原表
HashTable hashtable = new HashTable(size);
//扩容
size = size << 1;
HashTable temp = new HashTable(size);
for key in hashtable:
	value = hashtable.get(key);
	temp.set(key, value); 

那么上述操作用的时间复杂度是多少？很好分析，原表内每个元素都拿出来放进新表，达到复制效果。因此时间复杂度是$O(n)$。

但是问题又来了，上述的操作只发生在表满的情况下，也就是插入时发现插不进去，溢出了，才会触发扩容操作。假设每一次插入都溢出，那么每次插入所需要的时间就是$O(n)$，插入n个数需要的时间就是： $n\cdot O(n)=O(n^2)$，但是我们的实际经验告诉我们，每一次插入都溢出的情况不存在。

所以我们传统的分析方法只能告诉我们最差情况下的时间复杂度，这个时间复杂度并不精准，它的上界太大了，且在许多情况下不能很好的反映出一个算法的优劣，比如我们说快速排序的时间复杂度是$O(n\log n)$，这里也可以说是$O(n^{10086})$，因为大O定义法就是这么定义的：上界不超过。但是我们能说快排比冒泡还慢么？显然不能。因此我们引入了摊还分析法，也叫平摊分析(Amortized Analysis)来解决上述问题。

现在我们看完了标黄部分，知道了为什么引入摊还分析这个概念（虽然说快排的时间复杂度不严谨，但是不影响理解，凑合看），那么对于我们的动态表，怎么利用摊还分析得到它的时间复杂度呢？

动态表的摊还分析

我们假设一个变量$c_i$，表示第i个插入到动态表的元素的时间复杂度。那么通过对i的归类，可以引出如下公式：
$$c_i=\{\begin{array}{l}n,i=2^{n}andn=1,2,3......\\ 1,i\ne 2^{n}andn=1,2,3....\end{array}$$
换句话说，当i是2的n次方，那么这一步插入需要先扩容，时间复杂度为$O(n)$；否则时间复杂度就是$O(1)$.

我们列一个表出来：

i	1	2	3	4	5	6	7	8	9	10
size	1	2	4	4	8	8	8	8	16	16
$c_i$	1	2	3	1	5	1	1	1	9	1
component	1+0	1+1	1+2	1+0	1+4	1+0	1+0	1+0	1+8	1+0

上表中，component里面i+j的意思是，插入耗时与扩容耗时。我们看到插入耗时永远为1，扩容耗时却需要些数学知识：
r e s i z e = ∑ j = 1 log ⁡ ( n − 1 ) 2 j , j ∈ N + resize=\sum_{j=1}^{\log (n-1)} 2^j, j\in N^+ resize=<