什么是大 O 復(fù)雜度表示法

??算法的執(zhí)行效率，粗略地講，就是算法代碼執(zhí)行的時(shí)間。但是，如何在不運(yùn)行代碼的情況下，用“肉眼”得到一段代碼的執(zhí)行時(shí)間呢？

??這里有段非常簡單的代碼，求 1,2,3…n 的累加和。現(xiàn)在，我就帶你一塊來估算一下這段代碼的執(zhí)行時(shí)間。

 int cal(int n) {
   int sum = 0;
   int i = 1;
   for (; i <= n; ++i) {
     sum = sum + i;
   }
   return sum;
 }

??從 CPU 的角度來看，這段代碼的每一行都執(zhí)行著類似的操作：讀數(shù)據(jù)-運(yùn)算-寫數(shù)據(jù)。盡管每行代碼對(duì)應(yīng)的 CPU 執(zhí)行的個(gè)數(shù)、執(zhí)行的時(shí)間都不一樣，但是，我們這里只是粗略估計(jì)，所以可以假設(shè)每行代碼執(zhí)行的時(shí)間都一樣，為 unit_time。在這個(gè)假設(shè)的基礎(chǔ)之上，這段代碼的總執(zhí)行時(shí)間是多少呢？

??第 2、3 行代碼分別需要 1 個(gè) unit_time 的執(zhí)行時(shí)間，第 4、5 行都運(yùn)行了 n 遍，所以需要 2n*unit_time 的執(zhí)行時(shí)間，所以這段代碼總的執(zhí)行時(shí)間就是 (2n+2)*unit_time?？梢钥闯鰜?，所有代碼的執(zhí)行時(shí)間 T(n) 與每行代碼的執(zhí)行次數(shù)成正比。

??按照這個(gè)分析思路，我們?cè)賮砜催@段代碼。

 int cal(int n) {
   int sum = 0;
   int i = 1;
   int j = 1;
   for (; i <= n; ++i) {
     j = 1;
     for (; j <= n; ++j) {
       sum = sum +  i * j;
     }
   }
 }

??我們依舊假設(shè)每個(gè)語句的執(zhí)行時(shí)間是 unit_time。那這段代碼的總執(zhí)行時(shí)間 T(n) 是多少呢？

??第 2、3、4 行代碼，每行都需要 1 個(gè) unit_time 的執(zhí)行時(shí)間，第 5、6 行代碼循環(huán)執(zhí)行了 n 遍，需要 2n * unit_time 的執(zhí)行時(shí)間，第 7、8 行代碼循環(huán)執(zhí)行了 n2遍，所以需要 2n2 * unit_time 的執(zhí)行時(shí)間。所以，整段代碼總的執(zhí)行時(shí)間 T(n) = (2n2+2n+3)*unit_time。

??盡管我們不知道 unit_time 的具體值，但是通過這兩段代碼執(zhí)行時(shí)間的推導(dǎo)過程，我們可以得到一個(gè)非常重要的規(guī)律，那就是，所有代碼的執(zhí)行時(shí)間 T(n) 與每行代碼的執(zhí)行次數(shù) f(n) 成正比。

??我們可以把這個(gè)規(guī)律總結(jié)成一個(gè)公式。注意，大 O 就要登場(chǎng)了！

??我來具體解釋一下這個(gè)公式。其中，T(n) 我們已經(jīng)講過了，它表示代碼執(zhí)行的時(shí)間；n 表示數(shù)據(jù)規(guī)模的大??；f(n) 表示每行代碼執(zhí)行的次數(shù)總和。因?yàn)檫@是一個(gè)公式，所以用 f(n) 來表示。公式中的 O，表示代碼的執(zhí)行時(shí)間 T(n) 與 f(n) 表達(dá)式成正比。

??所以，第一個(gè)例子中的 T(n) = O(2n+2)，第二個(gè)例子中的 T(n) = O(2n2+2n+3)。這就是大 O 時(shí)間復(fù)雜度表示法。大 O 時(shí)間復(fù)雜度實(shí)際上并不具體表示代碼真正的執(zhí)行時(shí)間，而是表示代碼執(zhí)行時(shí)間隨數(shù)據(jù)規(guī)模增長的變化趨勢(shì)，所以，也叫作漸進(jìn)時(shí)間復(fù)雜度（asymptotic time complexity），簡稱時(shí)間復(fù)雜度。

??當(dāng) n 很大時(shí)，你可以把它想象成 10000、100000。而公式中的低階、常量、系數(shù)三部分并不左右增長趨勢(shì)，所以都可以忽略。我們只需要記錄一個(gè)最大量級(jí)就可以了，如果用大 O 表示法表示剛講的那兩段代碼的時(shí)間復(fù)雜度，就可以記為：T(n) = O(n)； T(n) = O(n2)。

為什么要用大 O 復(fù)雜度表示法

??那么這個(gè)大 O 復(fù)雜度表示法與通過統(tǒng)計(jì)、監(jiān)控得到算法執(zhí)行的時(shí)間和占用的內(nèi)存大小有什么區(qū)別？為什么還要做時(shí)間、空間復(fù)雜度分析呢？這種分析方法能比我實(shí)實(shí)在在跑一遍得到的數(shù)據(jù)更準(zhǔn)確嗎？

??首先，我可以肯定地說，你這種評(píng)估算法執(zhí)行效率的方法是正確的。很多數(shù)據(jù)結(jié)構(gòu)和算法書籍還給這種方法起了一個(gè)名字，叫事后統(tǒng)計(jì)法。

??但是，這種統(tǒng)計(jì)方法有非常大的局限性。

• 1. 測(cè)試結(jié)果非常依賴測(cè)試環(huán)境
     測(cè)試環(huán)境中硬件的不同會(huì)對(duì)測(cè)試結(jié)果有很大的影響。比如，我們拿同樣一段代碼，分別用 Intel Core i9 處理器和 Intel Core i3 處理器來運(yùn)行，不用說，i9 處理器要比 i3 處理器執(zhí)行的速度快很多。還有，比如原本在這臺(tái)機(jī)器上 a 代碼執(zhí)行的速度比 b 代碼要快，等我們換到另一臺(tái)機(jī)器上時(shí)，可能會(huì)有截然相反的結(jié)果。
• 2. 測(cè)試結(jié)果受數(shù)據(jù)規(guī)模的影響很大
     后面我們會(huì)講排序算法，我們先拿它舉個(gè)例子。對(duì)同一個(gè)排序算法，待排序數(shù)據(jù)的有序度不一樣，排序的執(zhí)行時(shí)間就會(huì)有很大的差別。極端情況下，如果數(shù)據(jù)已經(jīng)是有序的，那排序算法不需要做任何操作，執(zhí)行時(shí)間就會(huì)非常短。

??除此之外，如果測(cè)試數(shù)據(jù)規(guī)模太小，測(cè)試結(jié)果可能無法真實(shí)地反映算法的性能。比如，對(duì)于小規(guī)模的數(shù)據(jù)排序，插入排序可能反倒會(huì)比快速排序要快！ 所以，我們需要一個(gè)不用具體的測(cè)試數(shù)據(jù)來測(cè)試，就可以粗略地估計(jì)算法的執(zhí)行效率的方法，這個(gè)方法就是大 O 復(fù)雜度表示法。

如何分析一段代碼的時(shí)間復(fù)雜度

1、只關(guān)注循環(huán)執(zhí)行次數(shù)最多的一段代碼

??大 O 這種復(fù)雜度表示方法只是表示一種變化趨勢(shì)。我們通常會(huì)忽略掉公式中的常量、低階、系數(shù)，只需要記錄一個(gè)最大階的量級(jí)就可以了。所以，我們?cè)诜治鲆粋€(gè)算法、一段代碼的時(shí)間復(fù)雜度的時(shí)候，也只關(guān)注循環(huán)執(zhí)行次數(shù)最多的那一段代碼就可以了。這段核心代碼執(zhí)行次數(shù)的 n 的量級(jí)，就是整段要分析代碼的時(shí)間復(fù)雜度。

??為了便于你理解，我還是拿前面的例子來說明。

 int cal(int n) {
   int sum = 0;
   int i = 1;
   for (; i <= n; ++i) {
     sum = sum + i;
   }
   return sum;
 }

??其中第 2、3 行代碼都是常量級(jí)的執(zhí)行時(shí)間，與 n 的大小無關(guān)，所以對(duì)于復(fù)雜度并沒有影響。循環(huán)執(zhí)行次數(shù)最多的是第 4、5 行代碼，所以這塊代碼要重點(diǎn)分析。前面我們也講過，這兩行代碼被執(zhí)行了 n 次，所以總的時(shí)間復(fù)雜度就是 O(n)。

2、加法法則：總復(fù)雜度等于量級(jí)最大的那段代碼的復(fù)雜度

??我這里還有一段代碼。你可以先試著分析一下，然后再往下看跟我的分析思路是否一樣。

int cal(int n) {
   int sum_1 = 0;
   int p = 1;
   for (; p < 100; ++p) {
     sum_1 = sum_1 + p;
   }

   int sum_2 = 0;
   int q = 1;
   for (; q < n; ++q) {
     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;
     }
   }
 
   return sum_1 + sum_2 + sum_3;
 }

??這個(gè)代碼分為三部分，分別是求 sum_1、sum_2、sum_3。我們可以分別分析每一部分的時(shí)間復(fù)雜度，然后把它們放到一塊兒，再取一個(gè)量級(jí)最大的作為整段代碼的復(fù)雜度。

??第一段的時(shí)間復(fù)雜度是多少呢？這段代碼循環(huán)執(zhí)行了 100 次，所以是一個(gè)常量的執(zhí)行時(shí)間，跟 n 的規(guī)模無關(guān)。

??這里我要再強(qiáng)調(diào)一下，即便這段代碼循環(huán) 10000 次、100000 次，只要是一個(gè)已知的數(shù)，跟 n 無關(guān)，照樣也是常量級(jí)的執(zhí)行時(shí)間。當(dāng) n 無限大的時(shí)候，就可以忽略。盡管對(duì)代碼的執(zhí)行時(shí)間會(huì)有很大影響，但是回到時(shí)間復(fù)雜度的概念來說，它表示的是一個(gè)算法執(zhí)行效率與數(shù)據(jù)規(guī)模增長的變化趨勢(shì)，所以不管常量的執(zhí)行時(shí)間多大，我們都可以忽略掉。因?yàn)樗旧韺?duì)增長趨勢(shì)并沒有影響。

??那第二段代碼和第三段代碼的時(shí)間復(fù)雜度是多少呢？答案是 O(n) 和 O(n2)，你應(yīng)該能容易就分析出來，我就不啰嗦了。

??綜合這三段代碼的時(shí)間復(fù)雜度，我們?nèi)∑渲凶畲蟮牧考?jí)。所以，整段代碼的時(shí)間復(fù)雜度就為 O(n2)。也就是說：總的時(shí)間復(fù)雜度就等于量級(jí)最大的那段代碼的時(shí)間復(fù)雜度。那我們將這個(gè)規(guī)律抽象成公式就是：

T1(n)=O(f(n))
T2(n)=O(g(n))
T(n)=T1(n)+T2(n)=max(O(f(n)), O(g(n))) =O(max(f(n), g(n)))

3、乘法法則：嵌套代碼的復(fù)雜度等于嵌套內(nèi)外代碼復(fù)雜度的乘積

??我們這里還是給出一段代碼，你先試著分析下時(shí)間復(fù)雜度，再往下看我給的公式：

int cal(int n) {
   int ret = 0; 
   int i = 1;
   for (; i < n; ++i) {
     ret = ret + f(i);
   } 
 } 
 
 int f(int n) {
  int sum = 0;
  int i = 1;
  for (; i < n; ++i) {
    sum = sum + i;
  } 
  return sum;
 }

??我們單獨(dú)看 cal() 函數(shù)。假設(shè) f() 只是一個(gè)普通的操作，那第 4～6 行的時(shí)間復(fù)雜度就是，T1(n) = O(n)。但 f() 函數(shù)本身不是一個(gè)簡單的操作，它的時(shí)間復(fù)雜度是 T2(n) = O(n)，所以，整個(gè) cal() 函數(shù)的時(shí)間復(fù)雜度就是，T(n) = T1(n) * T2(n) = O(n*n) = O(n2)。
那么我們?cè)俪橄笙逻@個(gè)公式：

T1(n)=O(f(n))
T2(n)=O(g(n))
T(n)=T1(n)*T2(n)=O(f(n))*O(g(n))=O(f(n)*g(n))

幾種常見時(shí)間復(fù)雜度實(shí)例分析

??雖然代碼千差萬別，但是常見的復(fù)雜度量級(jí)并不多。我稍微總結(jié)了一下，這些復(fù)雜度量級(jí)幾乎涵蓋了你今后可以接觸的所有代碼的復(fù)雜度量級(jí)。

??對(duì)于剛羅列的復(fù)雜度量級(jí)，我們可以粗略地分為兩類，多項(xiàng)式量級(jí)和非多項(xiàng)式量級(jí)。其中，非多項(xiàng)式量級(jí)只有兩個(gè)：O(2?) 和 O(n!)。

??我們把時(shí)間復(fù)雜度為非多項(xiàng)式量級(jí)的算法問題叫作 NP（Non-Deterministic Polynomial，非確定多項(xiàng)式）問題。

??當(dāng)數(shù)據(jù)規(guī)模 n 越來越大時(shí)，非多項(xiàng)式量級(jí)算法的執(zhí)行時(shí)間會(huì)急劇增加，求解問題的執(zhí)行時(shí)間會(huì)無限增長。所以，非多項(xiàng)式時(shí)間復(fù)雜度的算法其實(shí)是非常低效的算法。

??因此，關(guān)于 NP 時(shí)間復(fù)雜度我就不展開講了。我們主要來看幾種常見的多項(xiàng)式時(shí)間復(fù)雜度。

O(1)

??首先你必須明確一個(gè)概念，O(1) 只是常量級(jí)時(shí)間復(fù)雜度的一種表示方法，并不是指只執(zhí)行了一行代碼。比如這段代碼，即便有 3 行，它的時(shí)間復(fù)雜度也是 O(1），而不是 O(3)。

 int i = 8;
 int j = 6;
 int sum = i + j;

??只要代碼的執(zhí)行時(shí)間不隨 n 的增大而增長，這樣代碼的時(shí)間復(fù)雜度我們都記作 O(1)?；蛘哒f，一般情況下，只要算法中不存在循環(huán)語句、遞歸語句，即使有成千上萬行的代碼，其時(shí)間復(fù)雜度也是Ο(1)。

O(logn)、O(nlogn)

??對(duì)數(shù)階時(shí)間復(fù)雜度非常常見，同時(shí)也是最難分析的一種時(shí)間復(fù)雜度。我通過一個(gè)例子來說明一下。

 i=1;
 while (i <= n)  {
   i = i * 2;
 }

??根據(jù)我們前面講的復(fù)雜度分析方法，第三行代碼是循環(huán)執(zhí)行次數(shù)最多的。所以，我們只要能計(jì)算出這行代碼被執(zhí)行了多少次，就能知道整段代碼的時(shí)間復(fù)雜度。

??從代碼中可以看出，變量 i 的值從 1 開始取，每循環(huán)一次就乘以 2。當(dāng)大于 n 時(shí)，循環(huán)結(jié)束。還記得我們高中學(xué)過的等比數(shù)列嗎？實(shí)際上，變量 i 的取值就是一個(gè)等比數(shù)列。如果我把它一個(gè)一個(gè)列出來，就應(yīng)該是這個(gè)樣子的：

??所以，我們只要知道 x 值是多少，就知道這行代碼執(zhí)行的次數(shù)了。通過 2x=n 求解 x 這個(gè)問題我們想高中應(yīng)該就學(xué)過了，我就不多說了。x=log2n，所以，這段代碼的時(shí)間復(fù)雜度就是 O(log2n)。

??實(shí)際上，不管是以 2 為底、以 3 為底，還是以 10 為底，我們可以把所有對(duì)數(shù)階的時(shí)間復(fù)雜度都記為 O(logn)。為什么呢？

??我們知道，對(duì)數(shù)之間是可以互相轉(zhuǎn)換的，log3n 就等于 log32 * log2n，所以 O(log3n) = O(C * log2n)，其中 C=log32 是一個(gè)常量?；谖覀兦懊娴囊粋€(gè)理論：在采用大 O 標(biāo)記復(fù)雜度的時(shí)候，可以忽略系數(shù)，即 O(Cf(n)) = O(f(n))。所以，O(log2n) 就等于 O(log3n)。因此，在對(duì)數(shù)階時(shí)間復(fù)雜度的表示方法里，我們忽略對(duì)數(shù)的“底”，統(tǒng)一表示為 O(logn)。

??如果你理解了我前面講的 O(logn)，那 O(nlogn) 就很容易理解了。還記得我們剛講的乘法法則嗎？如果一段代碼的時(shí)間復(fù)雜度是 O(logn)，我們循環(huán)執(zhí)行 n 遍，時(shí)間復(fù)雜度就是 O(nlogn) 了。而且，O(nlogn) 也是一種非常常見的算法時(shí)間復(fù)雜度。比如，歸并排序、快速排序的時(shí)間復(fù)雜度都是 O(nlogn)。

O(m+n)、O(m*n)

??我們?cè)賮碇v一種跟前面都不一樣的時(shí)間復(fù)雜度，代碼的復(fù)雜度由兩個(gè)數(shù)據(jù)的規(guī)模來決定。老規(guī)矩，先看代碼！

int cal(int m, int n) {
  int sum_1 = 0;
  int i = 1;
  for (; i < m; ++i) {
    sum_1 = sum_1 + i;
  }

  int sum_2 = 0;
  int j = 1;
  for (; j < n; ++j) {
    sum_2 = sum_2 + j;
  }

  return sum_1 + sum_2;
}

??從代碼中可以看出，m 和 n 是表示兩個(gè)數(shù)據(jù)規(guī)模。我們無法事先評(píng)估 m 和 n 誰的量級(jí)大，所以我們?cè)诒硎緩?fù)雜度的時(shí)候，就不能簡單地利用加法法則，省略掉其中一個(gè)。所以，上面代碼的時(shí)間復(fù)雜度就是 O(m+n)。

??針對(duì)這種情況，原來的加法法則就不正確了，我們需要將加法規(guī)則改為：T1(m) + T2(n) = O(f(m) + g(n))。但是乘法法則繼續(xù)有效：T1(m)*T2(n) = O(f(m) * f(n))。

空間復(fù)雜度分析

??前面，咱們花了很長時(shí)間講大 O 表示法和時(shí)間復(fù)雜度分析，理解了前面講的內(nèi)容，空間復(fù)雜度分析方法學(xué)起來就非常簡單了。

??前面我講過，時(shí)間復(fù)雜度的全稱是漸進(jìn)時(shí)間復(fù)雜度，表示算法的執(zhí)行時(shí)間與數(shù)據(jù)規(guī)模之間的增長關(guān)系。類比一下，空間復(fù)雜度全稱就是漸進(jìn)空間復(fù)雜度（asymptotic space complexity），表示算法的存儲(chǔ)空間與數(shù)據(jù)規(guī)模之間的增長關(guān)系。

??我還是拿具體的例子來給你說明。（這段代碼有點(diǎn)“傻”，一般沒人會(huì)這么寫，我這么寫只是為了方便給你解釋。）

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]
  }
}

??跟時(shí)間復(fù)雜度分析一樣，我們可以看到，第 2 行代碼中，我們申請(qǐng)了一個(gè)空間存儲(chǔ)變量 i，但是它是常量階的，跟數(shù)據(jù)規(guī)模 n 沒有關(guān)系，所以我們可以忽略。第 3 行申請(qǐng)了一個(gè)大小為 n 的 int 類型數(shù)組，除此之外，剩下的代碼都沒有占用更多的空間，所以整段代碼的空間復(fù)雜度就是 O(n)。

??我們常見的空間復(fù)雜度就是 O(1)、O(n)、O(n2 )，像 O(logn)、O(nlogn) 這樣的對(duì)數(shù)階復(fù)雜度平時(shí)都用不到。而且，空間復(fù)雜度分析比時(shí)間復(fù)雜度分析要簡單很多。所以，對(duì)于空間復(fù)雜度，掌握剛我說的這些內(nèi)容已經(jīng)足夠了。文章來源地址http://www.zghlxwxcb.cn/news/detail-473316.html

到了這里，關(guān)于算法與數(shù)據(jù)結(jié)構(gòu)-復(fù)雜度分析的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！