你的算法写的行不行得看这-----------复杂度（详解）_论文中的(o notation)分析

1.时间复杂度

1.1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;
}
printf("%d\n", count);
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

我们可以算得 F(N)=N*N+2N+10
那我们时间复杂度是什么呢？
答案是：O(N^2)

为什么呢？
我们看这组数据：

N = 10 F(N) = 130
N = 100 F(N) = 10210
N = 1000 F(N) = 1002010 函数表达式：F(N)=N*N+2N+10

我们看数据是不是更和N^2有关系？

所以我们约定: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。

什么是大O渐进表示法呢？

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。
2、在修改后的运行次数函数中，只保留最高阶项。
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。得到的结果就是大O阶。
使用大O的渐进表示法以后，Func1的时间复杂度为：
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）

总的来说：先写出函数表达式，然后找出最高阶，不算最高阶系数，如果表达式为常数最高阶就当作1即可！

1.2练习

// 计算Func2的时间复杂度？
void Func2(int N)
{
 int count = 0;
 for (int k = 0; k < 2 * N ; ++ k)
 {
 ++count;
 }
 int M = 10;
 while (M--)
 {
 ++count;
 }
 printf("%d\n", count);
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

F(N)=2*N+10 所以时间复杂度为O(N)

// 计算Func3的时间复杂度？
void Func3(int N, int M)
{
 int count = 0;
 for (int k = 0; k < M; ++ k)
 {
 ++count;
 }
 for (int k = 0; k < N ; ++ k)
 {
 ++count;
 }
 printf("%d\n", count);
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14

F(M+N)=M+N
这里因为有两个变量 所以我们得讨论一下
如果M>>N(远远大于）F(M+N)=M+N 几乎等价于F(M)=M 所以时间复杂度为O(M)
如果N>>M(远远大于）F(M+N)=M+N 几乎等价于F(N)=N 所以时间复杂度为O(N)
如果M和N差不多大 那时间复杂度就是O(M+N)

void Func4(int N)
{
 int count = 0;
 for (int k = 0; k < 100; ++ k)
 {
 ++count;
 }
 printf("%d\n", count);
}
1
2
3
4
5
6
7
8
9

F(N)=100 时间复杂度为O(1)

// 计算BubbleSort的时间复杂度？
void BubbleSort(int* a, int n)
{
 assert(a);
 for (size_t end = n; end > 0; --end)
 {
 int exchange = 0;
 for (size_t i = 1; i < end; ++i)
 {
 if (a[i-1] > a[i])
 {
 Swap(&a[i-1], &a[i]);
 exchange = 1;
 }
 }
 if (exchange == 0)
 break;
 }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

冒泡排序的时间复杂度怎么算呢？？
F(N)=N-1 +N-2 +N-3 +…+1=(N-1+1)(N-1)/2
所以时间复杂度为O(N^2)

// 计算BinarySearch的时间复杂度？
int BinarySearch(int* a, int n, int x)
{
 assert(a);
 int begin = 0;
 int end = n-1;
 // [begin, end]：begin和end是左闭右闭区间，因此有=号
 while (begin <= end)
 {
 int mid = begin + ((end-begin)>>1);
 if (a[mid] < x)
 begin = mid+1;
 else if (a[mid] > x)
 end = mid-1;
 else
 return mid;
 }
 return -1;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

二分查找
设次数为x则N/2/2/2/2/2…=1(x个2）相当于2^x=N 这x=logN
所以时间复杂度为N(logN)

long long Fac(size_t N)
{
 if(0 == N)
 return 1;
 
 return Fac(N-1)*N;
}
1
2
3
4
5
6
7

这个递归次数就是N次
所以就是O（N）

// 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);
}
1
2
3
4
5
6
7
8

这个画图的话就像一个残缺的二叉树一样，但是残缺的部分有限可以忽略不计
F(N)=1+2^1+ 2^2+ 2^3+… +2^(N-2)-X
X为缺失的部分
等比求和后可以发现时间复杂度为O(N^2)

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)
5.实例5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）
6. 实例6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)。
7.实例7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）

空间复杂度

2.1空间复杂度介绍

空间复杂度也是一个数学表达式，是对一个算法在运行过程中临时占用存储空间大小的量度 。
空间复杂度不是程序占用了多少bytes的空间，因为这个也没太大意义，所以空间复杂度算的是变量的个数。
空间复杂度计算规则基本跟实践复杂度类似，也使用大O渐进表示法。
注意：函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了，因此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。

空间是可以重复利用的

2.2练习

// 计算BubbleSort的空间复杂度？
void BubbleSort(int* a, int n)
{
 assert(a);
 for (size_t end = n; end > 0; --end)
 {
 int exchange = 0;
 for (size_t i = 1; i < end; ++i)
 {
 if (a[i-1] > a[i])
 {
 Swap(&a[i-1], &a[i]);
 exchange = 1;
 }
 }
 if (exchange == 0)
 break;
 }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

我们仔细分析这段代码我们会发现只创建了几个变量，然后每次循环都是改这些变量。
所以空间复杂度就是O(1)

// 计算Fibonacci的空间复杂度？
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
 if(n==0)
 return NULL;
 
 long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
 fibArray[0] = 0;
 fibArray[1] = 1;
 for (int i = 2; i <= n ; ++i)
 {
 fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
 }
 return fibArray;
}
  
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

动态开辟了N个空间，所以为空间复杂度为 O(N)

// 计算阶乘递归Fac的空间复杂度？
long long Fac(size_t N)
{
 if(N == 0)
 return 1;
 
 return Fac(N-1)*N;
}
1
2
3
4
5
6
7
8

递归调用了N次，开辟了N个栈帧，每个栈帧使用了常数个空间。空间复杂度为O(N)

本章完