数据结构与算法——复杂度（下）

最新推荐文章于 2024-08-15 21:12:13 发布

zab635590867

最新推荐文章于 2024-08-15 21:12:13 发布

阅读量790

点赞数

分类专栏：数据结构与算法

本文链接：https://blog.csdn.net/zab635590867/article/details/88935321

版权

数据结构与算法专栏收录该内容

7 篇文章 0 订阅

订阅专栏

一个不一样的案例

上一章我们说到了什么是复杂度，怎样计算复杂度。但是之前提到的都是类似于以下案例的：

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

这个案例中，时间复杂度是O(n)，但是实际开发中会遇到更复杂的代码，比如像这样的，用之前的分析方式就有点难办了。

int find(int[] array, int target, int n) {

   target = -1;
 
   for (int i = 0; i <= n; i++) {
 
      if(array[i] == target){
          return array[i];
      }
 
   }
 
   return target;
 
 }

这个案例中，有不同的情况

1.有可能target不在数组array中，那么循环就是n次，时间复杂度与上一个案例无异，为O(n)。

2.有可能target在数组array中，那么循环就会在某个下标处中断，时间复杂度肯定就低于O(n)。

像这段代码中，时间复杂度有多种情况的，按照之前的分析方法不能分析出该案例的复杂度。

所以复杂度分析又分为最好情况时间复杂度，最坏情况时间复杂度，平均情况时间复杂度，均摊时间复杂度。

两个极端情况复杂度

最好情况时间复杂度和最坏情况时间复杂度分析都很简单，拿上个例子来说，最好情况就是target在数组array中，那么代码运行次数并不需要随n的增长而增长，即时间复杂度为O(1)，最坏情况是target不在数组中，整个代码循环n次，代码运行次数随n的增长而增长，时间复杂度为O(n)。

那么两个极端情况的中间点呢，就是平均时间复杂度，这里平均时间复杂度是一个概率计算，target这个数有可能在数组array下标0～（n-1）的任意位置，这里是n种情况，还有一种不在数组中的情况，所以一共有（n+1）种情况。而程序运行次数与n的大小相关，这里要推导n+1种情况总运行次数是多少？

总的情况数，显而易见是， $\frac{\left ( n^{2}+3n \right )}{2}$ ，而总的情况是（n+1），所以概率是： $\frac{n(n+3)}{2(n+1)}$ .

根据上一章的介绍，低阶常量都可以略去，那么时间复杂度就是O(n)，即平均时间复杂度为O(n)。

但是之前的计算中并没有加上各种情况发生的概率，数target不在数组array 中的概率是 $\frac{1}{2}$ ，而在数组中的每一个位置的概率是 $\frac{1}{2n}$ 。

经过计算

最终略去低阶和常量，时间复杂度还是O(n)。只不过这个复杂度叫做加权平均时间复杂度。

均摊又是什么鬼？

聚合分析，核算法，势能法？？这些个摊还分析的方法又是什么晦涩难懂的词汇？作为一个程序员，不想了解那么多。

什么是均摊？举个例子，你和你女朋友玩个游戏，你女朋友在你身后画了25个大方格，每个方格都是同等大小，你手里有一个小石块，往后随手一仍。游戏规则是，你仍到O，会被踢屁股十下，仍到X，可以亲亲一下。那么，看这个图，你认为你每仍一下小石块被踢屁屁十下的可能性很大吗？虽然仍到O会被踢十下，但是大概率你是仍不到O的。

摊还分析是用来评价程序中的一个操作序列的平均代价，有时可能某个操作的代价特别高（丢到O了，囧），但是均摊到每次操作，也没有那么糟糕（大多数情况还是?），总体来说的均摊情况还是可以接受。