数据结构与算法基础课------1.认识复杂度

        作为一个21世纪的开发工作者，对算法和数据结构的学习现在已经越来越重要了，所以我想将自己对算法和数据结构的一些理解和认识总结出来，让各位读者进行指正。

        这个总结我准备分为三部分：基础课、进阶课和练习课。从简单到困难将自己关于这方面的知识展现出来。

一.认识复杂度

        我们学习算法就是为了提升代码的执行效率，但是实现同一功能的算法有那么多，如何区分区分各种算法的优劣呢？主要指标有：

   1.时间复杂度（流程决定）

        既然我们知道时间复杂度是评判算法优劣的一个标准，那么我们现在需要知道时间复杂度的评估方式，时间复杂度分析的基本策略是：从内向外分析，从最深层开始分析。如果遇到函数调用，要深入函数进行分析。主要步骤拆分为：

        1).常数时间的操作

         什么是常数时间的操作呢？如果一个操作的执行时间不以具体样本量为转移，每次执行时间都是固定时间。称这样的操作为常数时间的操作。通俗的将，执行时间固定的操作都是常数时间的操作。反之，执行时间不固定的操作，都不是常数时间的操作。

        常见的常数时间操作包括：

•常见的算术运算（+、-、*、/、% 等）

•常见的位运算（>>、>>>、<<、|、&、^等）

•赋值、比较、自增、自减操作等

•数组寻址操作

        2).确定算法流程的总操作数量与样本数量之间的表达式关系 

        如何确定算法流程的总操作数量与样本数量之间的表达式关系呢？

1，想象该算法流程所处理的数据状况，要按照最差情况来。

2，把整个流程彻底拆分为一个个基本动作，保证每个动作都是常数时间的操作。

3，如果数据量为N，看看基本动作的数量和N是什么关系。

        此时基本的时间复杂度的表达式已经出来了，下边就是去除影响比较小的参数，

        3).只看表达式最高阶项的部分

        当完成了表达式的建立，只要把最高阶项留下即可。低阶项都去掉，高阶项的系数也去掉。记为：O(忽略掉系数的高阶项)。可能有人会想抹掉了好多东西，只剩下了一个最高阶项，还有意思吗？非常有意义：当我们要处理的样本量很大很大时，我们会发现低阶项是什么不是最重要的；每一项的系数是什么，不是最重要的。真正重要的就是最高阶项是什么。这就是时间复杂度的意义，它是衡量算法流程的复杂程度的一种指标，该指标只与数据量有关，与过程之外的优化无关。

        4).实例加深印象

        下面通过三个例子，来实践对时间复杂度的估算（因为代码比较简单，所以只提供思路了，以后都会写代码）：

1.选择排序

    过程分析：

arr[0～N-1]范围上，找到最小值所在的位置，然后把最小值交换到0位置。

arr[1～N-1]范围上，找到最小值所在的位置，然后把最小值交换到1位置。

arr[2～N-1]范围上，找到最小值所在的位置，然后把最小值交换到2位置。

…

arr[N-1～N-1]范围上，找到最小值位置，然后把最小值交换到N-1位置。

估算时间复杂度：

很明显，如果arr长度为N，每一步常数操作的数量，如等差数列一般

所以，总的常数操作数量 = a*(N^2) + b*N + c (a、b、c都是常数)

所以选择排序的时间复杂度为O(N^2)。

 2.冒泡排序

     过程分析：

在arr[0～N-1]范围上：

arr[0]和arr[1]，谁大谁来到1位置；arr[1]和arr[2]，谁大谁来到2位置…arr[N-2]和arr[N-1]，谁大谁来到N-1位置

在arr[0～N-2]范围上，重复上面的过程，但最后一步是arr[N-3]和arr[N-2]，谁大谁来到N-2位置

在arr[0～N-3]范围上，重复上面的过程，但最后一步是arr[N-4]和arr[N-3]，谁大谁来到N-3位置

…

最后在arr[0～1]范围上，重复上面的过程，但最后一步是arr[0]和arr[1]，谁大谁来到1位置

估算复杂度：

很明显，如果arr长度为N，每一步常数操作的数量，依然如等差数列一般

所以，总的常数操作数量 = a*(N^2) + b*N + c (a、b、c都是常数)

所以冒泡排序的时间复杂度为O(N^2)。

3. 插入排序

    过程分析：

想让arr[0~0]上有序，这个范围只有一个数，当然是有序的。

想让arr[0~1]上有序，所以从arr[1]开始往前看，如果arr[1]<arr[0]，就交换。否则什么也不做。

…

想让arr[0~i]上有序，所以从arr[i]开始往前看，arr[i]这个数不停向左移动，一直移动到左边的数字不再比自己大，停止移动。

最后一步，想让arr[0~N-1]上有序， arr[N-1]这个数不停向左移动，一直移动到左边的数字不再比自己大，停止移动。

估算时发现这个算法流程的复杂程度，会因为数据状况的不同而不同。

        如果某个算法流程的复杂程度会根据数据状况的不同而不同，那么你必须要按照最差情况来估计。很明显，在最差情况下，如果arr长度为N，插入排序的每一步常数操作的数量，还是如等差数列一般。所以，总的常数操作数量 = a*(N^2) + b*N + c (a、b、c都是常数)。所以插入排序排序的时间复杂度为O(N^2)。

         5).注意事项

1，算法的过程，和具体的语言是无关的。

2，想分析一个算法流程的时间复杂度的前提，是对该流程非常熟悉

3，一定要确保在拆分算法流程时，拆分出来的所有行为都是常数时间的操作。这意味着你写算法时，对自己的用过的每一个系统api，都非常的熟悉。否则会影响你对时间复杂度的估算。

   2.额外空间复杂度（流程决定）

        你要实现一个算法流程，在实现算法流程的过程中，你需要开辟一些空间来支持你的算法流程。哪些才算额外空间复杂度呢？

        作为输入参数的空间，不算额外空间。

        作为输出结果的空间，也不算额外空间。

        因为这些都是必要的、和现实目标有关的。所以都不算。但除此之外，你的流程如果还需要开辟空间才能让你的流程继续下去。这部分空间就是额外空间。

        如果你的流程只需要开辟有限几个变量，额外空间复杂度就是O(1)。

   3.常数项时间（实现细节决定）

        既然计算复杂度的时候会忽略低阶项和所有常数系数，那么难道同样时间复杂度的流程，在实际运行时候就一样的好吗？当然不是，时间复杂度只是一个很重要的指标而已。如果两个时间复杂度一样的算法，你还要去在时间上拼优劣，就进入到拼常数时间的阶段，简称拼常数项。

        如何比拼常数项时间呢?此时建议放弃理论知识，直接生成随机数据进行测试，不继续理论分析是因为常数时间的分析非常麻烦，都已经到了具体细节的程度，莫不如交给实验数据好了。比如：都是固定时间，还是有快慢之分的，就像位运算的常数时间远小于算术运算的常数时间，这两个运算的常数时间又远小于数组寻址的时间。

 二.  交流和代码

        如果想进行交流，可以关注我的微信公众号：小春说java。同时可以领取代码。