复杂度分析方法
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（“如何让计算机更快时间、更省空间的解决问题”）。
复杂度：时间和空间复杂度。
事后统计法：运行代码后，通过统计、监控，就能得到算法执行的时间和占用的内存大小。
- 测试结果非常依赖测试环境
- 测试结果受数据规模的影响很大
大 O 复杂度表示法
算法的执行效率，粗略地讲，就是算法代码执行的时间。
例 1:
int cal(int n) {
int sum = 0;
int i = 1;
for (; i <= n; ++i) {
sum = sum + i;
}
return sum;
}从 CPU 的角度来看，这段代码的每一行都执行着类似的操作：读数据-运算-写数据。尽管每行代码对应的 CPU 执行的个数、执行的时间都不一样，但是，我们这里只是粗略估计，所以可以假设每行代码执行的时间都一样，为 unit_time。
第 2、3 行代码分别需要 1 个 unit_time 的执行时间，第 4、5 行都运行了 n 遍，所以需要 2n_unit_time 的执行时间，所以这段代码总的执行时间就是 (2n+2)_unit_time。可以看出来，所有代码的执行时间 T(n) 与每行代码的执行次数成正比。
例 2:
int cal(int n) {
int sum = 0; // 1
int i = 1; // 1
int j = 1; // 1
for (; i <= n; ++i) { // n
j = 1; // n
for (; j <= n; ++j) { // n * n
sum = sum + i * j; // n * n
}
}
}第 2、3、4 行代码，每行都需要 1 个 unittime 的执行时间，第 5、6 行代码循环执行了 n 遍，需要 2n unittime 的执行时间，第 7、8 行代码循环执行了 n 遍，所以需要 2n unit_time 的执行时间。所以，整段代码总的执行时间 : T(n) = (2n+2n+3)*unit_time。
所以可以总结出一个规律公式：T(n) = O(f(n))。
其中，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。公式中的 O，表示代码的执行时间 T(n) 与 f(n) 表达式成正比。
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（asymptotic time complexity），简称时间复杂度。
而公式中的低阶、常量、系数三部分并不左右增长趋势，所以都可以忽略。我们只需要记录一个最大量级就可以了，如果用大 O 表示法表示刚讲的那两段代码的时间复杂度，就可以记为：T(n) = O(n)； T(n) = O(n)。
时间复杂度分析
- 只关注循环执行次数最多的一段代码
如例 1，该代码块的循环体执行了 n 次，所以它的时间复杂度就是T(n) = O(n)。 - 加法法则：总复杂度等于量级最大的那段代码的复杂度
int cal(int n) {
int sum_1 = 0;
int p = 1;
// 循环体1
for (; p < 100; ++p) { // 常量次数，跟数据规模无关
sum_1 = sum_1 + p;
}
int sum_2 = 0;
int q = 1;
for (; q < n; ++q) { // n
sum_2 = sum_2 + q;
}
int sum_3 = 0;
int i = 1;
int j = 1;
for (; i <= n; ++i) {
j = 1;
for (; j <= n; ++j) {
sum_3 = sum_3 + i * j;
}
} // n * n
return sum_1 + sum_2 + sum_3;
}- 循环体 1：这段代码循环 10000 次、100000 次，只要是一个已知的数，跟 n 无关，照样也是常量级的执行时间。当 n 无限大的时候，就可以忽略。尽管对代码的执行时间会有很大影响，但是回到时间复杂度的概念来说，它表示的是一个算法执行效率与数据规模增长的变化趋势，所以不管常量的执行时间多大，我们都可以忽略掉。因为它本身对增长趋势并没有影响。
所以该代码块的时间复杂度为 T(n) = O(n)。
- 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
假设 T1(n) = O(n)，T2(n) = O(n2)，则 T1(n) * T2(n) = O(n3)。落实到具体的代码上，我们可以把乘法法则看成是嵌套循环：
int cal(int n) {
int ret = 0;
int i = 1;
for (; i < n; ++i) { // n * n
ret = ret + f(i);
}
}
int f(int n) {
int sum = 0;
int i = 1;
for (; i < n; ++i) { // n
sum = sum + i;
}
return sum;
}常见时间复杂度实例分析
| 复杂度量级 | 按数量级递增 |
|---|---|
常量阶O(n) |
指数阶O(2^n) |
对数阶O(logn) |
阶乘阶O(n!) |
线性阶O(n) |
|
线性对数阶O(nlogn) |
|
平方阶O(n^2) 立方阶O(n^3) … k 次方阶O(n^k) |
对于复杂度量级，可以粗略地分为两类：多项式量级和非多项式量级。其中，非多项式量级只有两个：O(2n) 和 O(n!)。
- 常量阶
O(1)
一般情况下，只要算法中不存在与 n 有关的循环语句、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)。 - 对数阶
O(logn)、O(nlogn)
i=1;
while (i <= n) {
i = i * 2;
}- 从代码可以看出变量 i 的取值就是一个等比数列，
2, 2^2, 2^3...2^x，当 i<= n 时结束循环，即 2^x = n，所以循环次数 x = logn，所以该段代码的时间复杂度为 T(n) = O(logn)。
实际上，不管是以 2 为底、以 3 为底，还是以 10 为底，我们可以把所有对数阶的时间复杂度都记为 O(logn)，因为对数之间是可以互相转换的，log3n 就等于 log32 log2n，所以 O(log3n) = O(C log2n)，其中 C=log32 是一个常量。基于我们前面的一个理论：在采用大 O 标记复杂度的时候，可以忽略系数，即 O(Cf(n)) = O(f(n))。所以，O(log2n) 就等于 O(log3n)。因此，在对数阶时间复杂度的表示方法里，我们忽略对数的“底”，统一表示为 O(logn)。
如果一段代码的时间复杂度是 O(logn)，我们循环执行 n 遍，时间复杂度就是 O(nlogn) 了。而且，O(nlogn) 也是一种非常常见的算法时间复杂度。比如，归并排序、快速排序的时间复杂度都是 O(nlogn)。 O(m+n)、O(m*n)
代码的复杂度由两个数据的规模来决定：
int cal(int m, int n) {
int sum_1 = 0;
int i = 1;
for (; i < m; ++i) { // m
sum_1 = sum_1 + i;
}
int sum_2 = 0;
int j = 1;
for (; j < n; ++j) { // n
sum_2 = sum_2 + j;
}
return sum_1 + sum_2;
}- m 和 n 是表示两个数据规模。我们无法事先评估 m 和 n 谁的量级大，所以我们在表示复杂度的时候，就不能简单地利用加法法则，省略掉其中一个。所以，上面代码的时间复杂度就是 O(m+n)。
空间复杂度分析
时间复杂度的全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系。空间复杂度全称就是渐进空间复杂度（asymptotic space complexity），表示算法的存储空间与数据规模之间的增长关系。
void print(int n) {
int i = 0;
int[] a = new int[n];
for (i; i <n; ++i) {
a[i] = i * i;
}
for (i = n-1; i >= 0; --i) {
print out a[i]
}
}第 2 行代码中，我们申请了一个空间存储变量 i，但是它是常量阶的，跟数据规模 n 没有关系，所以我们可以忽略。第 3 行申请了一个大小为 n 的 int 类型数组，除此之外，剩下的代码都没有占用更多的空间，所以整段代码的空间复杂度就是 O(n)。
数组变量占用的空间是 n，后续的操作是对 n 的内容进行修改，不算占用新的空间。
复杂度分析取舍
四个复杂度分析方面的知识点，最好情况时间复杂度（best case time complexity）、最坏情况时间复杂度（worst case time complexity）、平均情况时间复杂度（average case time complexity）、均摊时间复杂度（amortized time complexity）。
最好、最坏情况时间复杂度
// n表示数组array的长度
int find(int[] array, int n, int x) {
int i = 0;
int pos = -1;
for (; i < n; ++i) {
if (array[i] == x) pos = i;
}
return pos;
}显然该代码块的时间复杂度为 O(n)，但是实际情况下在数组内找到目标值之后无需继续循环遍历，所以可以优化为：
// n表示数组array的长度
int find(int[] array, int n, int x) {
int i = 0;
int pos = -1;
for (; i < n; ++i) {
if (array[i] == x) {
pos = i;
break;
}
}
return pos;
}那么此时的时间复杂度还是 O(n)吗？
由于代码的循环中存在提前退出循环的操作，故而普通的时间复杂度分析就不能完美解释该代码片段的时间复杂度。
因为，要查找的变量 x 可能出现在数组的任意位置。如果数组中第一个元素正好是要查找的变量 x，那就不需要继续遍历剩下的 n-1 个数据了，那时间复杂度就是 O(1)。但如果数组中不存在变量 x，那我们就需要把整个数组都遍历一遍，时间复杂度就成了 O(n)。所以，不同的情况下，这段代码的时间复杂度是不一样的。
因此就有了最好情况时间复杂度、最坏情况时间复杂度和平均情况时间复杂度的概念，最好情况时间复杂度就是，在最理想的情况下，执行这段代码的时间复杂度。在最理想的情况下，要查找的变量 x 正好是数组的第一个元素，这个时候对应的时间复杂度就是最好情况时间复杂度。同理，最坏情况时间复杂度就是，在最糟糕的情况下，执行这段代码的时间复杂度。就像刚举的那个例子，如果数组中没有要查找的变量 x，我们需要把整个数组都遍历一遍才行，所以这种最糟糕情况下对应的时间复杂度就是最坏情况时间复杂度。
平均情况时间复杂度
要查找的变量 x 在数组中的位置，有 n+1 种情况：在数组的 0 ～ n-1 位置中和不在数组中。我们把每种情况下，查找需要遍历的元素个数累加起来，然后再除以 n+1，就可以得到需要遍历的元素个数的平均值，即：
%7D%7B2(n%2B1)%7D#card=math&code=%5Cfrac%7B1%2B2%2B3%2B…%2Bn%2Bn%7D%7Bn%2B1%7D%20%3D%20%5Cfrac%7Bn%28n%2B3%29%7D%7B2%28n%2B1%29%7D>)
时间复杂度的大 O 标记法中，可以省略掉系数、低阶、常量，所以这个公式简化之后，得到的平均时间复杂度就是 O(n)。这个结论虽然是正确的，但是计算过程稍微有点儿问题，因为我们忽略了出现每种情况的概率。
我们假设在数组中与不在数组中的概率都为 1/2。另外，要查找的数据出现在 0 ～ n-1 这 n 个位置的概率也是一样的，为 1/n。所以，根据概率乘法法则，要查找的数据出现在 0 ～ n-1 中任意位置的概率就是 1/(2n)。
那么上面的也就会变成
，这个值就是概率论中的加权平均值，也叫作期望值，所以平均时间复杂度的全称应该叫加权平均时间复杂度或者期望时间复杂度。
均摊时间复杂度
均摊时间复杂度，以及它对应的分析方法，摊还分析（或者叫平摊分析）。
// array表示一个长度为n的数组
// 代码中的array.length就等于n
int[] array = new int[n];
int count = 0;
void insert(int val) {
if (count == array.length) {
int sum = 0;
for (int i = 0; i < array.length; ++i) {
sum = sum + array[i];
}
array[0] = sum;
count = 1;
}
array[count] = val;
++count;
}
// 忽略方法调用代码，我们这里主要着重于该方法的时间复杂度这段代码实现了一个往数组中插入数据的功能。当数组满了之后，也就是代码中的 count == array.length 时，我们用 for 循环遍历数组求和，并清空数组，将求和之后的 sum 值放到数组的第一个位置，然后再将新的数据插入。但如果数组一开始就有空闲空间，则直接将数据插入数组。
最理想的情况下，数组中有空闲空间，我们只需要将数据插入到数组下标为 count 的位置就可以了，所以最好情况时间复杂度为 O(1)。最坏的情况下，数组中没有空闲空间了，我们需要先做一次数组的遍历求和，然后再将数据插入，所以最坏情况时间复杂度为 O(n)。
假设数组的长度是 n，根据数据插入的位置的不同，我们可以分为 n 种情况，每种情况的时间复杂度是 O(1)。除此之外，还有一种“额外”的情况，就是在数组没有空闲空间时插入一个数据，这个时候的时间复杂度是 O(n)。而且，这 n+1 种情况发生的概率一样，都是 1/(n+1)。所以，根据加权平均的计算方法，我们求得的平均时间复杂度就是：
%5Cfrac%7B1%7D%7Bn%2B1%7D%2BO(1)%5Cfrac%7B1%7D%7Bn%2B1%7D%2BO(1)%5Cfrac%7B1%7D%7Bn%2B1%7D%2B…%2BO(1)%5Cfrac%7B1%7D%7Bn%2B1%7D%2BO(n)*%5Cfrac%7B1%7D%7Bn%2B1%7D%20%3D%20%5Cfrac%7B2n%7D%7Bn%2B1%7D%20%3D%20O(1)#card=math&code=O%281%29%2A%5Cfrac%7B1%7D%7Bn%2B1%7D%2BO%281%29%2A%5Cfrac%7B1%7D%7Bn%2B1%7D%2BO%281%29%2A%5Cfrac%7B1%7D%7Bn%2B1%7D%2B…%2BO%281%29%2A%5Cfrac%7B1%7D%7Bn%2B1%7D%2BO%28n%29%2A%5Cfrac%7B1%7D%7Bn%2B1%7D%20%3D%20%5Cfrac%7B2n%7D%7Bn%2B1%7D%20%3D%20O%281%29>)（去掉系数，常量就是 n/n ）。
对比
通过 find 和 insert 的对比，find() 函数在极端情况下，复杂度才为 O(1)，但 insert() 在大部分情况下，时间复杂度都为 O(1)。只有个别情况下，复杂度才比较高，为 O(n)。这是 insert()第一个区别于 find() 的地方。
对于 insert() 函数来说，O(1) 时间复杂度的插入和 O(n) 时间复杂度的插入，出现的频率是非常有规律的，而且有一定的前后时序关系，一般都是一个 O(n) 插入之后，紧跟着 n-1 个 O(1) 的插入操作，循环往复。
针对这种特殊的场景，我们引入了一种更加简单的分析方法：摊还分析法，通过摊还分析得到的时间复杂度我们起了一个名字，叫均摊时间复杂度。
均摊分析法（均摊时间复杂度）： 1.各种情况有规律的出现，即每种情况对应的复杂度是规律的分布。 2.大部分情况复杂度相同，极个别情况复杂度较大，可以将这个特殊的复杂度均摊。
对一个数据结构进行一组连续操作中，大部分情况下时间复杂度都很低，只有个别情况下时间复杂度比较高，而且这些操作之间存在前后连贯的时序关系，这个时候，我们就可以将这一组操作放在一块儿分析，看是否能将较高时间复杂度那次操作的耗时，平摊到其他那些时间复杂度比较低的操作上。而且，在能够应用均摊时间复杂度分析的场合，一般均摊时间复杂度就等于最好情况时间复杂度。
均摊时间复杂度就是一种特殊的平均时间复杂度。
练手
// 全局变量，大小为10的数组array，长度len，下标i。
int array[] = new int[10];
int len = 10;
int i = 0;
// 往数组中添加一个元素
void add(int element) {
if (i >= len) { // 数组空间不够了
// 重新申请一个2倍大小的数组空间
int new_array[] = new int[len*2];
// 把原来array数组中的数据依次copy到new_array
for (int j = 0; j < len; ++j) {
new_array[j] = array[j];
}
// new_array复制给array，array现在大小就是2倍len了
array = new_array;
len = 2 * len;
}
// 将element放到下标为i的位置，下标i加一
array[i] = element;
++i;
}分两种情况，数组空间足够和数组空间不足。
- 数组空间足够那就是直接插入数组，O(1)；
- 数组空间不足，需要遍历原数组，第一次是 len，第二次是 2*len，O(n)，这里的 n 不是数组规模而是方法调用规模；
所以最好情况时间复杂度：O(1)，最坏情况时间复杂度：O(n)，平均情况时间复杂度：O(1)（同原文例子）。
