目录
数据结构第一节 3-5
1.算法效率
1.1 如何衡量一个算法的好坏
如何衡量一个算法的好坏呢？比如对于以下斐波那契数列：
long long Fib(int N)
{
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}斐波那契数列的递归实现方式非常简洁，但简洁一定好吗？那该如何衡量其好与坏呢？
1.2 算法的复杂度
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。
时间复杂度主要衡量一个算法的运行快慢，而空间复杂度主要衡量一个算法运行所需要的额外空间。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。
1.3 复杂度在校招中的考察
2.时间复杂度：是一个量级评估
比的是程序的循环次数，如果拿时间来衡量，一个程序在新旧机器上运行时间本身就不同，则无法再通过时间比较程序的循环次数
2.1 时间复杂度的概念
时间复杂度的定义：在计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。一
个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知
道。但是我们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个
分析方式。一个算法所花费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法
的时间复杂度。
即：找到某条基本语句与问题规模N之间的数学表达式，就是算出了该算法的时间复杂度。
// 请计算一下Func1中++count语句总共执行了多少次？
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N; ++i)
{
for (int j = 0; j < N; ++j)
{
++count;
}
}
for (int k = 0; k < 2 * N; ++k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
}Func1 执行的基本操作次数 ：
时间复杂度函数：F(N)=N²+2*N+10
N = 10 F(N) = 130
N = 100 F(N) = 10210
N = 1000 F(N) = 1002010
实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数，那么这里我们使用大O的渐进表示法。
随着N的变大，后两项 2*N+10 对整个结果的影响变小
当N无限大的时候，后两项对结果的影响可以忽略不计，所以直接去掉：
大O渐进表示法: O(N^2)
估算
2.2 大O的渐进表示法
大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。
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。例如下图
2、在修改后的运行次数函数中，只保留最高阶项。 ( 例：时间复杂度函数：F(N)=N*N+2*N+10——>大O渐进表示法: O(N^2) )
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(N是无穷大时系数影响也不大)。得到的结果就是大O阶。如下图
————————————————————————————————分隔线
Func1 执行的基本操作次数 ：
时间复杂度函数：F(N)=N*N+2*N+10
使用大O的渐进表示法以后，Func1的时间复杂度为：O(N²)
N = 10 F(N) = 100
N = 100 F(N) = 10000
N = 1000 F(N) = 1000000
通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数。
另外有些算法的时间复杂度存在最好、平均和最坏情况：
最坏情况：任意输入规模的最大运行次数(上界)
平均情况：任意输入规模的期望运行次数
最好情况：任意输入规模的最小运行次数(下界)
例如：在一个长度为N数组中搜索一个数据x
最好情况：1次找到
最坏情况：N次找到
平均情况：N/2次找到
在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)
——————————————————————————————————分隔线
2.3常见时间复杂度计算举例
实例1：
实例2:
实例3：
实例4：
实例5:
过程：
冒泡排序最坏情况：第一次比较了N-1次(就是循环了N-1次)，第二次循环N-2次......最后一次比较了1次，加起来一共循环了
F(N) = (N-1)*N/2; 次
最好情况：本身是个有序数列，然后第一次比较N-1次，然后不进入 if (a[i-1] > a[i] ) ，exchange 还是0，
进入if (exchange ==0) ，然后break提跳出for循环，则就执行了F(N) = N-1 次
取最坏情况F(N) = (N-1)*N/2; 展开发现最高次项是N²/2，则省去其他项目和这一项的系数，取时间复杂度O(N²)
实例6:二分查找
N是数组长度，或字符串长度
过程：
int mid = begin + ((end-begin)>>1) ; 防溢出的写法：相当于（begin+end）/2
过程：这里end=n ，n是10个数，相当于end在数组的末尾，数组之外下一个空间的地址，相当于是左闭右开 [) ，所以条件设成beginn-1 , beginend , else if(a[mid] > x) end=mid-1 ;;;数组长度N，二分查找每找一次就相当于把数组折半，每找一次 = ×½ ，最后只剩1个元素，找完这1个元素就停止，这里是假设一共找了X次，N/(2/^X)=1，
2/^X=N，X=log2N，则一共找了这么多次，时间复杂度就是：O(log2N)
时间复杂度里面会把O(log2 N)，简写成O(logN)，
有些资料里面也会简写成O(lgN) ,但是这个是不太对,因为存在误区
实例7:递归
递归算法时间复杂度计算:
1、每次函数调用是O(1),那么就看他的递归次数
2、每次函数调用不是O(1),那么就看他的递归调用
中次数的累加
过程：Fac是第一种情况：一共调用的N次，所以是O(N)
过程：调用自身函数调用的N次，每次调用有一个if 是O(1),还有一个for O(N),所以整体时间复杂度是O(N*N)
实例8:斐波那契
// 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);
} 时间复杂度O(2^N) 通过等比数列估算出来
过程：第1次调用2次，调用2个后这两个又调用4次，这4个调用8次，相当于一个三角形图从上往下，如果只看最左边， Fib(N)-> Fib(N-1)-> Fib(N-2)-> Fib(N-3)......-> Fib(2),所以一共有N-2+1=N-1层，第一层是调用2^0次，第二层调用2^1次，第三层是调用2^2次，......，第N-1层是调用2^(N-2)次，整个三角是完整的情况下就是一共2^0+2^1+2^2+2^3...+2^(N-2)= a1*(1-q^n) / 1-q =
1*(1-2^ (N-1) ) / 1-2=>2^N是最高次幂，但是这个三角实际不是完整的， Fib(N)= Fib(N-1) + Fib(N-2); 这个右边的 Fib(N-2) 会提前结束，所以如图三角右下边是空一部分的，也就是2^0+2^1+2^2+2^3...+2^(N-2) 再减一部分，但是当N是无限大的时候，这部分的影响也就可以忽略不计，所以说还是2^N是最高次幂，所以时间复杂度是O(2^N)
实例答案及分析：
1. 实例1基本操作执行了2N+10次，通过推导大O阶方法知道，时间复杂度为 O(N)
2. 实例2基本操作执行了M+N次，有两个未知数M和N，时间复杂度为 O(N+M)
3. 实例3基本操作执行了10次，通过推导大O阶方法，时间复杂度为 O(1)
4. 实例4基本操作执行最好1次，最坏N次，时间复杂度一般看最坏，时间复杂度为 O(N)
5. 实例5基本操作执行最好N次，最坏执行了(N*(N+1)/2次，通过推导大O阶方法+时间复杂度一般看最
坏，时间复杂度为 O(N^2)
6. 实例6基本操作执行最好1次，最坏O(logN)次，时间复杂度为 O(logN) ps：logN在算法分析中表示是底
数为2，对数为N。有些地方会写成lgN。（建议通过折纸查找的方式讲解logN是怎么计算出来的）
7. 实例7通过计算分析发现基本操作递归了N次，时间复杂度为O(N)。
8. 实例8通过计算分析发现基本操作递归了2^N次，时间复杂度为O(2^N)。（建议画图递归栈帧的二叉树
讲解）
扫一扫
1224
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
