算法复杂度分析的那些事

我是自动化专业的应届研究生，最终拿到了tplink、华为、vivo等公司的ssp的offer，分享自己学习过的计算机基础知识（C语言+操作系统+计算机网络+linux）以及数据结构与算法的相关知识，保证看完让你有所成长。
欢迎关注我，学习资料免费分享给你哦！还有其他超多学习资源，都是我自己学习过的，经过过滤之后的资源，免去你还在因为拥有大量资源不知如何入手的纠结，让你体系化学习。

对于一个算法来说，我们如何评价它的好坏呢？一般来说就是通过程序解决问题的时间和空间。现在的计算机空间效率一般已经不是关注的重点了，但是时间效率仍然是算法关注的重点。而考查一个程序的运行时间，就需要将程序每次执行的操作表示成输入规模的函数。这就是时间复杂度分析。时间复杂度的分析也是算法面试中常考的问题，经过最近的学习，总结如下。

什么是大O记法

举几个例子来说，O(f(n))是一个集合，表示的是所有函数的增长趋势小于等于f（n）的函数集合。比如n属于O（n^2），500n+10属于O（n ^ 2).

对于定义来说就是，对于一个函数g(n)属于O(f(n))中，表示如下的公式：
$$g(n)\in O(f(n))$$
它表示的条件是：对于足够大的n，,g(n)的上界由f（n）的常数倍所确定，也就是说，存在大于0的常数c和非负数n0，使得：对于所有的n大于等于n0时，g(n)都是小于等于cf(n)的。

比如前面所说500n+10小于等于510n^2.它的c=501。

大O记法的一些特性

1.如果$t_1(n)\in O(g_1(n))$ 并且$t_2(n)\in O(g_2(n))$,那么 $t_1(n)+t_2(n)\in O(max{g}_1(n),g_2(n))$

这也是我们在计算时间复杂度中最常使用到的，比如一个算法的时间复杂度是 n^2+n+2，根据上面的定理，我们可以说它的大O时间复杂度是O(n ^ 2)。

2.对于常数的运行时间，对于大O表示法来说都是O(1)。

3.系数对于大O表示法是没有用的，比如n^2和1000n ^2来说，它们的大O记法是一样的，因为通过定义可以知道，系数其实本质上就是定义中的c，所以它们的大O记法都是O（n ^2）。

常见的时间复杂度

1. 对于顺序结构的程序执行，它的时间复杂度就是O(1).

int a=10;
int b=5;

上面程序虽然执行了两步，但对于大O表示法来说，都是O(1),因为2相当于是系数，可以去掉。

2. 下面这个循环结构的时间复杂度是O(n)

for(int i=0;i

3. 下面这个程序就是O(logn)的时间复杂度

int count=1;
while(count

由于每次执行count扩大两倍，那么就是2^ x=n,可以解得x=log以2为底的n的对数，所以时间复杂度就是O（logn)

4. 双重循环就是O（n^2)的时间复杂度

for（int i=0;i

非递归算法的时间复杂度分析

以查找数组中的最大值程序为例，分析计算一个非递归程序时间复杂度是如何计算的。

int MaxElement(int *A,int n)
{
	int maxval=A[0];
	for(int i=0;imaxval)
		{
			maxval=A[i];
		}
	}
	return A[i];
}

可以看到，这个问题的输入规模是数组元素的个数决定的。由前面的学习可以知道，一个程序的时间复杂度是由程序之中大O最大部分决定的，所以只需要计算最大值就可以了，这个程序中的最大值是由for循环部分决定的。for循环内部进行了一步的比较操作，那么对于i从0到n-1，一共进行了n-1次比较，那么整个程序执行的次数就是：
$$C(n)=\sum _{i=0}^{n-1}1=n-1=O(n)$$
所以时间复杂度是O(n),这个分析也证明了前面所说的for循环的时间复杂度是O（n).

非递归的时间复杂度分析的步骤如下：

1）首先找到问题的输入规模在哪里，例如本例的n

2）找出算法的基本操作（一般是最内层的循环)

3）建立一个算法基本操作的求和表达式，利用数学知识得到它的和

4）利用大O的一些准则简化表达式，得到最终的大O时间复杂度分析结果。

bool uniqueElements(int *A,int n)
{
	for(int i=0;i

我们根据上面的一个算法，找出一个数组中是否包含重复元素，来实践一下刚才所说的分析方法，首先找到输入规模为n，但是这个算法如果在中间出现了相同元素，就结束了，所以说不仅仅取决于n，还取决于数组中数据的情况，这里谈论一下最坏的情况，就是遍历了整个数组。

那么此时的输入规模就是n，找到关键的执行步骤，双重循环中的判断语句，每次执行一次。在内循环之中j在i+1和n-1之间的每一个值都会比较一次。在外循环中，i从0到n-2的每个值，都会重复上面的过程一遍。因此可以得到：
$$C_{worst}(n)=\sum _{i=0}^{n-2}\sum _{j=i+1}^{n-1}1$$
此时就考验数学了。首先将内部的j循环展开。
$$C_{worst}(n)=\sum _{i=0}^{n-2}\sum _{j=i+1}^{n-1}1=\sum _{i=0}^{n-2}[(n-1)-(i+1)+1]=\sum _{i=0}^{n-2}(n-1-i)=\sum _{i=0}^{n-2}(n-1)-\sum _{i=0}^{n-2}i$$
此时两个求和式子分别求解
$$\sum _{i=0}^{n-2}(n-1)=(n-1)\sum _{i=0}^{n-2}1=(n-1)(n-2-0+1)=(n-1{)}^2$$

$$\sum _{i=0}^{n-2}i=0+1+2+3+...+n-2=\frac{(n-2)(n-1)}{2}$$

将两个式子合并，得到
$$\sum _{i=0}^{n-2}(n-1)-\sum _{i=0}^{n-2}i=(n-1{)}^2-\frac{(n-2)(n-1)}{2}=\frac{(n-1)n}{2}$$
利用大O的准则可以得到它的最坏时间复杂度就是O（n^2）。当然这种非递归的其实很好记，看到循环就可以判断，这么推导是能够清楚的知道到底是如何计算时间复杂度，可以理解其本质，虽然面试不会考推导，但对自己来说是一种提升。

这里面用到了两个数学里的求和公式：
$$\sum _{i=l}^{u}1=u-l+1,其中u，l分别是上下界$$

$$\sum _{i=0}^{n}i=\sum _{i=1}^{n}i=1+2+3+...+n=\frac{n(n+1)}{2}$$

递归算法的时间复杂度分析

其实我从刚开始学习数据结构，就对这个递归程序复杂度的分析很迷惑，不知道如何计算，只是知道去死记硬背一些排序算法，比如归并排序等的时间复杂度。直到最近重新学习，才发现有主定理这种东西。

递归算法的时间复杂度主要有两种方法来计算，要根据算法的实际情况来选择，一种是每次递归只是将数据规模减一或者减二这种的，比如斐波那契数列。另一种是类型归并排序和快速排序这种分治思想的递归算法，将问题的规模分成几份，分别求解。

迭代法

比如采用递归的算法计算n的阶乘。

int F(int n)
{
	if(n==0) return 1;
	else return F(n-1)*n;
}

我们假设F(n)所需要的执行的次数是C(n),那么就可以将C（n）用如下的公式表示出来了。
$$C(n)=C(n-1)+1$$
其中C(n-1)是用来计算F(n-1)的运算次数，而1是表示乘法的运算此时。而当n==0时，就是C(0)=1，因为直接返回了值。那么我们就可以根据上面的式子来进行迭代求解了。
$$C(n)=C(n-1)+1=[C(n-2)+1]+1=C(n-2)+2$$

$$C(n-2)+2=[C(n-3)+1]+2=C(n-3)+3$$

逐步迭代可以迭代出以下的式子：
$$C(n)=C(n-1)+1=...=C(n-i)+i=...=C(n-n)+n=C(0)+n$$
所以这个算法的时间复杂度是O(n)。

下面我们在以著名的汉诺塔问题为例，这里不详细解释这个问题了，直接把递归程序拿过来借用，学习如何使用迭代法分析时间复杂度。

void hanNuo(int n,char A,char B,char C)
{
	if(n>0)
	{
		hanNuo(A,C,B,n-1);
		cout<<"A to C"<

还是用C(n)来表示hanNuo(n)的执行次数，那么就可以根据递归的公式来表示出C(n).
$$C(n)=C(n-1)+1+C(n-1)=2C(n-1)+1$$
还是按照递归的方法逐渐向下展开
$$C(n)=2\ast C(n-1)+1=2\ast [2\ast C(n-2)+1]+1=2^2\ast C(n-2)+2+1$$

$$C(n)=2^2\ast C(n-2)+2+1=2^2\ast [2\ast C(n-3)+1]+2+1=2^3\ast C(n-3)+2^2+2+1$$

$$C(n)=2^i\ast C(n-i)+2^i-1$$

因为最后递归到n=1，所以上面式子的i=n-1即可。
$$C(n)=2^{n-1}\ast C(1)+2^{n-1}-1=2^{n-1}+2^{n-1}-1=2^n-1$$
所以汉诺塔问题的时间复杂度就是O（2^n）。

这就是迭代法求解递归算法的时间复杂度分析的方法。

主定理

当递归函数的时间函数满足如下的关系时，就可以使用主定理了。
$$T(n)=a\ast T(\frac{n}{b})+f(n)$$
式子中的a就是递归子问题的个数，b是每个递归子问题是原问题的规模，f(n)表示的是合并递归结果所需要的操作。

使用这个定理，只需要记住三种情况即可
$$情况一：当递归部分的执行时间O(n^{lo{g}_{b}a})>O(f(n))的时候，T(n)=O(n^{lo{g}_{b}a})$$

$$情况二：当递归部分的执行时间O(n^{lo{g}_{b}a})<O(f(n))的时候，T(n)=O(f(n))$$

$$情况三：当递归部分的执行时间O(n^{lo{g}_{b}a})=O(f(n))的时候，T(n)=O(n^{lo{g}_{b}a})logn$$

下面举例分析。

以归并排序为例，归并排序的代码这里就不贴了，首先是将两个问题分成相等的两部分，所以b=2，需要左侧递归和右侧递归，两部分那么a=2，将两部分合并的起来的f(n)的操作的时间复杂度是O(n).所以根据主定理可以得到O(n)=O(f(n)),所以时间复杂度为O(nlogn)。

在看下面的程序

int lianxi(int n)
{
    if(n==0)
    {
        return 0;
    }
    return lianxi(n/4)+lianxi(n/4);
}

根据主定理，可以看到a=2,b=4,而O(f(n))=O(1)，因为只是进行了加法运算。所以比较
$$O(n^{lo{g}_{b}a})=O(n^{lo{g}_{4}2})=O(\sqrt{n})>O(1)$$
所以这个时间复杂度就是O（根号n）。

对于快速排序也是一样可以这么分析，这里不在详细分析了。