数据结构与算法——算法的时间和空间复杂度

什么是数据结构

数据结构(Data Structure)是计算机存储、组织数据的方式，指相互之间存在一种或多种特定关系的数据元素的集合

数据结构和数据库

数据结构：内存中管理-增删查改，数据量较小
数据库：磁盘中管理数据-增删查改，处理数据很大

什么是算法

1.算法(Algorithm):就是定义良好的计算过程，他取一个或一组的值为输入，并产生出一个或一组值作为输出。简单来说算法就是一系列的计算步骤，用来将输入数据转化成输出结果
2.通俗的说就是利用不同的方法对数据进行处理，比如排序中的快速排序、冒泡排序等

算法效率

算法的复杂度

1.算法在编写成可执行程序后，运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏，一般是从时间和空间两个维度来衡量的，即时间复杂度和空间复杂度
2.时间复杂度主要衡量一个算法的运行快慢
3.空间复杂度主要衡量一个算法运行所需要的额外空间
4.在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度

时间复杂度

时间复杂度的概念

1.时间复杂度并不是在算执行时间，因为执行时间和硬件设备和机器环境有很大关系，没有确切的标准
2.算法中所消耗的时间与语句的执行次数呈正相关，为算法的时间复杂度
3.计算时间复杂度时，并不一定要计算精确的执行次数，而只需要大概执行次数，使用大O的渐进表示法

大O的渐进表示法

大O符号：是用于描述函数渐进行为的数学符号，是量级的估算

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
在实际中一般情况关注的是算法的最坏运行情况，所以时间复杂度算的是最坏情况

计算时间复杂度

例1

// 计算Func2的时间复杂度？
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);
}

1.第1个循环执行的次数为2N次，第2个执行次数是10次，总的次数是2N+10次
2.当N趋近于无穷大时2和10对数量级影响不大，主要取决于N，所以Fun2的时间复杂度是O(N)

例2

// 计算Func3的时间复杂度？
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);
}

1.第1个循环执行了M次，第2个循环执行了N次，共执行了M+N次
2.🎈当M远大于N时，是O(M)
🎈当N远大于M时，是O(N)
🎈当M与N相同时，是O(M)或者O(N)

例3

// 计算Func4的时间复杂度？
void Func4(int N) 
{
	int count = 0;
	for (int k = 0; k < 100; ++k)
	{
		++count;
	}
	printf("%d\n", count);
}

1.该循环共执行了100次，由于是常数，所以统一用1代替，即O(1)

例4

// 计算strchr的时间复杂度？
const char * strchr ( const char * str, int character )

1.该函数的作用是在str中查找与character相同的字符
2.最好的情况是查找1次，最坏的情况是查找N次
3.要以最坏的情况作为复杂度，即O(N)

例5

// 计算BubbleSort的时间复杂度？
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;
	}
}

1.这是冒泡排序算法，外层循环共执行n次,外层循环执行1次，内层循环执行n-1次
2.当end=n时，内层循环执行n-1次
   当end=n-1时，内层循环执行n-2次
   ……
   当end=2时，内层循环执行1次
   当end=1时，内层循环不执行
3.最终结果是个等差数列的和（Sn=n*a1+n(n-1)*d/2），一共执行了n-1次，代入公式得：n(n-1)/2，
当n无穷大时，仅与N²有关，所以时间复杂度是O(N²)

例6

// 计算BinarySearch的时间复杂度？
int BinarySearch(int* a, int n, int x)
{
	assert(a);
	int begin = 0;
	int end = n - 1;
	// [begin, end]：begin和end是左闭右闭区间，因此有=号
	while (begin <= end)
	{
		int mid = begin + ((end - begin) >> 1);
		if (a[mid] < x)
			begin = mid + 1;
		else if (a[mid] > x)
			end = mid - 1;
		else
			return mid;
	}
	return -1;
}

不能只看循环次数，要看算法逻辑
1.这是二分查找算法，前提是数组内容是有序的
2.最好的情况是查找一次，O(1)
3.最坏的情况是：由于每查找1次，查找区间个数减少一半，当begin与end相等时，区间只剩一个元素，此还是没有找到，假设查找了k次，即除了k个2，所以N/(2^k)=1，k=log₂N(2可以省略)

例7

// 计算阶乘递归Fac的时间复杂度？
long long Fac(size_t N) {
	if (0 == N)
		return 1;

	return Fac(N - 1) * N;
}

1.递归算法，假如N=5，执行1次，N=4，执行1次……N=1,执行1次，N=0，执行1次。归纳总结，当是N时，执行N+1次，结果是O(N)

例8

// 计算斐波那契递归Fib的时间复杂度？
long long Fib(size_t N) {
	if (N < 3)
		return 1;

	return Fib(N - 1) + Fib(N - 2);
}

由图片可以看出，是个等比数列求和（Sn=a1*(1-qⁿ)/(1-q)），共n次求和，结果是2^n-1，即时间复杂度是O(2^N)

空间复杂度

什么是空间复杂度

1.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额外占用存储空间大小的量度
2.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<
3.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
注意：空间是可以重复利用的，不用累计。而时间是一去不复返是累计的

空间复杂度的计算

例1

// 计算BubbleSort的空间复杂度？
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;
	}
}

1.该函数的形式参数的数组，是作为条件给的，没有额外去开，不算入空间复杂度
2.刚开始创建end这1个变量，每次循环只创建2个变量：exchange、i，每次创建的都是同一块空间，没有占用额外的空间，所以空间复杂度是常数，即O(1)

例二

// 计算阶乘递归Fac的空间复杂度？
long long Fac(size_t N) 
{
	if (N == 0)
		return 1;

	return Fac(N - 1) * N;
}

1.每个fac函数栈帧是常数个，共n-1个，空间复杂度是O(N)

例三

// 计算Fibonacci的空间复杂度？
// 返回斐波那契数列的前n项
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;
}

1.与例二类似，不过例三开辟了一个数组，空间复杂度是O(N)

例四

// 计算斐波那契递归Fib的空间复杂度？
long long Fib(size_t N) 
{
	if (N < 3)
		return 1;

	return Fib(N - 1) + Fib(N - 2);
}

1. 先f(n-1)的部分，然后返回，空间销毁，然后f(n-2)使用同一块空间，所以空间一直在重复利用，空间复杂度是O(N)