复杂度分析(1)-渐进复杂度，空间复杂度

最近杨振宁和姚期智的回到中国国籍的事情非常热闹，作为一个在中国想做coding相关工作的人，你就不应该不知道清华姚班这个神奇的存在。老子这辈子是没有一丝机会达到那个高度了，但是我要努力使我儿子有机会够到那个高度，哈哈哈，开玩笑。但是，这和这个章节的题目有什么关系呢？那我因为我早上在知乎上看了一下Aady Yao的研究成果：

早在博士就读期间，姚期智提出了随机化算法复杂度的论证，而如今已经成为研究者无人不知的重要工具。
在 1977 年的论文中，姚期智提出了Yao's min-max principle，这一原理成为了推理随即算法与复杂度的基本技术，也已经应用于属性测试与学习理论等领域。

没错，那就是关于复杂度的分析，真的是太难了，要对复杂度有一个深刻的理解，我觉得首先要深刻理解计算机系统。即便如此，我也还是得写一点简单的总结, 万事都是要开头，你才会继续去做的！

常数O(1)
这里有一个简单的问题，我们要对三个数进行排序，并输出最大元素。不妨取前三个元素x=S[0], y=S[1], z=S[2], 这一步只需要执行三次(从特定单元提取元素)，耗费O(3)时间。接下来，为确定这三个元素的的大小顺序，最多需要三次排序，也是O(3)时间，最后输出最大的元素需要O(1)时间。

T(n) =O(3)+O(3)+O(1)=O(7)=O(1)

运算时间可表示和度量为T(n)=O(1)的这一类算法，统称为”常数时间复杂度算法”，也称为就地算法。

对数O($logn$)
考察如下问题：对于任意非负整数，统计其二进制展开中位数1的总数。

int countOnes(unsigned int n){
    int ones=0；
    while(n>0){
        ones+=(1&n);
        n>>1;
    }
}

根据右移运算的性质，没右移一位，n至少缩减一半，也就是说，至多经过1+$log_2n$次循环，n必然缩减至0，从而算法终止。实际上从另一个角度上讲，1+$log_2n$恰好为n二进制展开的总位数，每次循环都将其右移一位，总的循环数也应是1+$log_2n$。
所以countOnes的算法执行时间主要由循环的次数决定：
O(1+$log_2n$)=O($log_2n$)
在对数时间复杂度里面，$log_2n$实际上与底数无关，底数2可以换成其他任何数。

线性O(n)
关于线性时间复杂度，我们可以改进一下countOne算法：

int countOnes(unsigned int n){
    int ones=0；
    while(n>0){
        count++
        n&=n-1；
    }
}

这个算法巧妙地通过位运算技巧，自低向高逐个地将位数1转置为0。
以上计算过程中，仅涉及整数的减法和位与运算各一次。若不考虑机器的位长限制，各只需要O(1)时间因此，这个新算法的运行时间，应线性正比于n的二进制展开中位数1的实际数目。

指数O($2^{n}$)

--int64 power2BF_I(int n){
    __int64 pow=1;
    while(n-- >0){
         pow<<=1;
    return pow;
}

这里的power2BF_I算法是由n轮迭代组成的，各需做一次累乘和一次递减，均属于基本操作，故整个算法时间共需O(n)时间。但是若以输入指数n的二进制位数r=1+$log_2n$作为输入规模，则运行时间为O($2^{n}$)。