入门篇-复杂度分析：时间和空间

入门篇-复杂度分析：时间和空间

01 | 前言

1、导读

1）数据结构和算法本身解决的是“快”和“省”的问题，即如何让代码运行得更快，如何让代码更省存储空间，在这里执行效率是算法一个非常重要的考量指标。
2）复杂度分析是整个算法学习的精髓，只要掌握它，数据结构和算法内容基本上就掌握了一半。

02 | 复杂度分析

1、事后统计法

1）定义：把代码跑一遍，通过统计、监控来计算算法的执行时间和占用内存大小。
2）局限：

1. 测试结果非常依赖测试环境，测试环境中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

3）反思：我们需要一个不用具体的测试数据来测试，就可以粗略地估计算法的执行效率的方法，即时间、空间复杂度分析方法

2、大O复杂度表示法

1）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。
2）T(n)表示代码执行的时间；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，这是一个公式：T(n)=O(f(n))
3）当n很大时，公式中的低阶、常量、系数三部分并不左右增长趋势，所以可以忽略。
4）大 O 时间复杂度实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度，简称时间复杂度
5）常用的时间复杂度：O(1) < O(logn) < (n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)

03 | 时间复杂度分析

1、三个比较实用的方法

1）只关注循环执行次数最多的一段代码
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
4）小结：复杂度分析的关键在于“熟练”

04 | 空间复杂度分析

1、定义

1）空间复杂度全称就是渐进空间复杂度，表示算法的存储空间与数据规模之间的增长关系

2、常见的空间复杂度

1）常见的空间复杂度就是 O(1)、O(n)、O(n^2 )，像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到
2）对于空间复杂度，掌握上述的内容已经足够了

05 | 常见时间复杂度实例分析

1、O(1)

1）O(1) 只是常量级时间复杂度的一种表示方法，并不是指只执行了一行代码
2）一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其时间复杂度也是Ο(1)

2、O(logn)、O(nlogn)

1）对数阶时间复杂度非常常见，同时也是最难分析的一种时间复杂度
2）例子：for(int i=1; i < n; i=i*2) ，变量 i 的值从 1 开始取，每循环一次就乘以 2，执行次数x=logn

3、O(m+n)、O(m*n)

1）代码的复杂度由两个数据的规模来决定

06 | 小结

1、复杂度分析

1）复杂度也叫渐进复杂度，包括时间复杂度和空间复杂度，用来分析算法执行效率与数据规模之间的增长关系，可以粗略地表示，越高阶复杂度的算法，执行效率越低
2）常见的复杂度并不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n^2)
3）常用的时间复杂度：O(1) < O(logn) < (n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)

2、大O复杂度分析

3、常用数据结构的时间和空间复杂度

4、数组排序算法时间和空间复杂度

07 | 思维导图

1、入门篇-时间和空间复杂度分析思维导图

参考文献：

[1] 王争. 数据结构和算法之美[M]. 极客时间, 2018.
[2] 图片取自网络https://www.bigocheatsheet.com/