数据结构篇——算法时间复杂度

如何度量算法的执行时间？

事后统计法：这种方法主要是通过设计好的测试程序和数据，利用计算机计时器对不同 算法编制的程序的运行时间进行比较，从而确定算法效率的高低。缺陷：事先编制程序需要 时间，测试需要时间，算法万一效率低，不同测试环境差别很大。

事前分析估算：在计算机程序编写前，依据统计方法对算法进行估算。一个程序在计算 机上运行时所消耗的时间取决于下列因素：算法采用的策略和方案、编译产生的代码质量、 问题的输入规模、机器执行指令的速度。抛开这些与计算机硬件、软件相关的因素，一个程 序的运行时间依赖于算法的好坏和问题的输入规模。

---

注意：我们研究算法的复杂度，侧重的是研究算法随着输入规模扩大增长量的一个抽 象，而不是精确地定位需要执行多少次，因为如果这样的话，我们就又得考虑回编译器优化问题

函数渐进增长

给定两个函数f(n)和g(n)，如果存在一个整数N，使得对于所有的n>N，f(n)总是比 g(n)大，那么，我们说f(n)的增长渐进快于g(n)

假设有若干算法解决同一问题，算法的输入规模都是n

算法A：2n+3

算法B：4n+1

算法C：n^2+1

算法D：3n^2+6

算法E：n^2+3n+1

算法F：3n^2+6n+6

对于计算机而言，计算次数往往很多，
所以，常数项、系数和其他次要项均可以忽略不计，主要关注主项和其阶数（最高阶的项）。

算法时间复杂度

 在进行算法分析时，语句总的执行次数T(n)是关于问题规模n的函数，进而分析T(n)随n 的变化情况并确定T(n)的数量级。算法的时间复杂度，也就是算法的时间度量，记作： T(n)=O(f(n))。它表示随问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，称 之为算法的渐进时间复杂度，简称为时间复杂度。其中f(n)是问题规模n的某个函数。（看 潜力，本质上说 执行次数==时间）

一般情况下，随着输入规模n的增大，T(n)增长最慢的算法为最优算法。 O(1) O(n) O(n^2)

     用常数1取代运行时间中的所有加法常数。

     在修改后的运行次数函数中，只保留最高阶项。

     如果最高阶项存在且不是1，则去除与这个项相乘的常数。

     得到的最后结果就是大O阶

---

常数阶：O(1)

线性阶：O(n) 一般含有非嵌套循环涉及线性阶，线性阶就是随着问题规模n的扩大，对 应计算次数呈直线增长

平方阶：O(n^2)

对数阶：O(logn)

最坏情况与平均情况

我们查找一个有n个随机数字数组中的某个数字，最好的情况是第一个数字就是，那么 算法的时间复杂度为O(1)，但也有可能这个数字在最后一个位置，那么时间复杂度为O(n)

平均运行时间是期望的运行时间，最坏运行时间是一种保证。在实际应用中，这是一种 最重要的需求，通常除非特别指定，我们提到的运行时间都是最坏情况的运行时间。

算法空间复杂度

我们在写代码时，完全可以用空间换时间。 判断闰年，可以算法分析，也可事先建立数组进行查询。

算法的空间复杂度通过计算算法所需的存储空间实现，算法的空间复杂度的计算公式为：S(n)=O(f(n))，其中，n为问题的规模，f(n)为语句关于n所占存储空间的函数。

通常，我们都是用“时间复杂度”来指运行时间的需求，用“空间复杂度”指空间需求 当直接要求让我们求“复杂度“时，通常指的是时间复杂度