算法-复杂度分析

复杂度分析

不依赖具体的执行环境

不用具体的测试数据

在算法实现前，我们在脑海就可以评估算法的性能

评估一个算法的性能：本质上就是评估这个算法代码执行的时间

N 为数据规模

大O复杂度表示法

表示算法的性能，通常看最差的情况，算法运行的上界

O(n)  T=5n+2

常数不重要，复杂度描述的是随着数据规模n的增大，算法性能的变化趋势

T(n)就是表示算法程序段执行的时间

n表示的是算法输入数据规模的大小

f(n)表示程序段所有语句执行的次数总和

大O表示程序段执行时间T(n)与f(n)函数的关系

随着数据规模n的不断增大，以上T(n)中的系数

低阶、常量对执行时间的增长趋势影响非常的小

常量阶时间复杂度

只要你的程序段执行的时间和输入数据规模没有关系的话，即使需要执行成干上万行的代码，那么你的程序时间复杂度仍然是O(1)

对数阶时间复杂度

 理论上我们知道对于所有底数 b>1，函数 在大O记号下的渐近增长率是相同的，但在实际图像上，我们可以观察到它们之间的差异仅在于比例系数

时间复杂度分析方法

 加法法则

乘法法则

常用时间复杂度

 
阶乘（Factorial）是一个数学运算，通常表示为 n! ，指的是所有小于及等于 n 的正整数的乘积。例如，5 的阶乘（写作 5!）是 5 × 4 × 3 × 2 × 1 = 120。

最好最坏时间复杂度

 平均时间复杂度（不关心）

public boolean contains(int[]arr,int target){
    for (int i=0;i<arr.length -1j i++){
        if (arr[i]=target){
            return true;
        }
        return false;
    }
}

target在数组中和不在数组中的概率都是1/2
target在数组中每个位置的概率是1/2*1/n 

不在数组中 需要比较 

空间复杂度分析

常量空间复杂度：0(1)

public boolean contains(int[]arr,int target){
    for (int i=0;i<arr.length -1j i++){
        if (arr[i]=target){
            return true;
        }
        return false;
    }
}

  线性阶空间复杂度：O(n)

public int[]arrayCopy(int[]arr){
    int[] newArray = new int[arr.length];
    for (int i=0;i<arr.length -1;i++){
        newArray[i]=arr[i];
    }
    return newArray;
    }
}