复杂度分析（上）

复杂度分析

衡量编写的算法代码的执行效率：时间、空间复杂度分析

为什么需要复杂度分析

把代码运行一遍不就可以了嘛，这种叫事后统计法，但是有非常大的局限性。

1.测试结果非常依赖测试环境

测试环境中的硬件的不同会对测试结果有很大的影响

2.测试结果受数据规模的影响很大

如果数据是有序的，那排序算法不需要做任何操作，执行时间很短，如果测试数据规模太小，测试结果可能无法真实地反映算法的性能，比如对于小规模的数据排序，插入排序可能反倒会比快排要快

大O复杂度表示法

算法的执行效率就是算法代码执行的时间

比如一段1，2，3，……，n的累加和①

int cal(int n ){
  int sum = 0 ;
  int i = 1;
  for(;i<=n;++i){
    sum = sum + i ;
  }
return sum;
}

假设每行代码执行的时间都一样，为unit_time，第2，3行代码需要1个unit_time执行时间，第4，5行需要n遍，总共是(2n+2)*unit_time，看出来，所有代码的执行时间T(n)与每行代码 的执行次数成正比 ②

int cal(int n ){
  int sum = 0 ;
  int i = 1;
  int j = 1;
  for(;i<=n;++i){
    j = 1;
    for(;j<=n;++j){
      sum = sum + i * j;
    }
  }
}

第5，6行代码循环执行了n遍，需要2nunit_time,第7，8行代码循环执行了n²遍，需要2n² * unit_time遍的执行时间，所以总运行时间为（2n²+2n+3） unit_time

所有代码的执行时间T(n)与每行代码的执行次数n成正比：

T(n)= O(f(n)) T(n)代表执行时间，n表示数据规模的大小，f(n)表示每行代码执行的次数总和，公式中的O，表示执行时间T(n)与f(n)成正比

①中T(n) = O(2n+2) ②中T(n)=O(2n²+2n+3)，大O时间复杂度表示代码执行时间随着数据规模增长的变化趋势，当n很大时候，公式中的低阶、常量、系数三部分都可以忽略，只需要记录最大量级即可，①可表示O(n) ②为O(n²)

时间复杂度分析

1.只关注循环执行次数最多的一段代码

①中第4，5行代码循环执行次数最多，所以O(n)

2.加法法则：总复杂度等于量级最大的那段代码的复杂度

3.乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

所有代码的复杂度量级

$$常量阶O(1)指数阶O(2^n)对数阶O(logn)阶乘阶(n!)线性阶O(n)线性对数阶O(nlogn)平方阶O(n^2)$$

$$立方阶O(n^3)\dots \dots k次方阶O(n^k)$$

分为多项式量级和非多项式量级(只有O($$2^n$$)和O(n!))，我们把时间复杂度为非多项式量级的算法问题叫做NP问题

当数据规模n越来越大的时候，非多项式量级算法的执行时间会急剧增加，非多项式时间复杂度的算法是非常低效的算法,主要看常见的多项式时间复杂度

ps:为什么O($$2^n$$)和O(n!)是非多项式时间复杂度算法？是因为它的规模n没有出现在底数的位置 ，当n越来越大的时候，它的增加就是急剧增加

1.O(1)

只要代码的执行时间不随n的增大而增大，只要算法中不存在循环语句、递归语句都算。

2.O(logn)、O(nlogn)

i = 1 ;
while( i <= n){
  i = i * 2;
}

从代码中，i的取值为$$2^0、2^1、2^2、\dots \dots 、2^x=n$$,只要当$$2^x=n$$的时候，就知道代码执行的次数，可知$$x={\log }_{2}n$$,所以这段时间复杂度就是O($${\log }_{2}n$$)

对数之间可以互相转换，在采用大O标记复杂度的时候忽略系数，所以不管以2为底，还是以3为底，在对数阶时间复杂度的表示方法里，统一表示为O($$logn$$)

如果那一段代码循环执行n遍，时间复杂度就是O(nlogn)，归并排序、快速排序时间复杂度都是O(nlogn)

3.O(m+n)、O(m*n)

int cal(int n,int m){
  int sum_1 = 0;
  int i = 1;
  for(;i < m;++i){
    sum_1 = sum_1 +i;
  }
  int sum_2 = 0;
  int j = 1;
  for(; j < n ;++j){
    sum_2 = sum_2 + j;
  }
  return sum_1 + sum_2;
}

m和n都是两个数据规模，但是无法事先评估两者量级谁大，所以不能简单的利用加法法则，所以时间复杂度就是O(m+n)

空间复杂度分析

算法的存储空间与数据规模之间的增长关系

void print(int n){
  int i = 0 ;
  int[] a = new int[n];
  for(i;i < n;++i){
    a[i] = i * i;
  }
  
  for(i = n -1;i >= 0 ; --i){
    print out a[i]
  }
}

第二行代码中，申请了一个空间存储变量i，但是是常量阶的，与数据规模n无关，第三行申请了一个大小为n的int类型数组，所以代码的空间复杂度就是O(n)

常用的空间复杂度就是O(1),O(n)、O($$n^2$$)