数据结构与算法之美_lesson3_复杂度分析(下)：浅析最好、最坏、平均、均摊时间复杂度
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了数据结构与算法之美_lesson3_复杂度分析(下)：浅析最好、最坏、平均、均摊时间复杂度，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含5828字，纯文字阅读大概需要9分钟。
内容图文
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 xomplexity）、最坏情况时间复杂度(worst case time coplexity)、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;
}这段代码要实现的功能是，在一个无序数组(array)中，查找变量 x 出现的位置。如果没有找到，就返回 -1。这段代码的时间复杂度是 O(n), 其中 n 代表数组的长度。
我们在数组中查找一个数据，并不需要把整个数组都遍历一遍，因为有可能中途找到就可已提前结束循环了。但是，这段代码写得不够高效。我们可以优化一下这段查找代码。
// 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;
}
}
}这段代码优化完之后，这段代码的时间复杂度还是O(n)吗？因为，要查找的变量 x 可能出现在任何位置。为了表示代码在不同情况下的不同时间复杂度，我们需要引入三个概念：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。
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。
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。
平均情况时间复杂度
最好情况时间复杂度和最坏情况时间复杂度对应的都是极端情况下的代码复杂度，发生的概率其实并不大。为了更好地表示平均情况下的复杂度，我们需要引入另一个概念：平均情况时间复杂度，后面我简称为平均时间复杂度。
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：
(1+2+3+...+n+n)/(n+1) = n(n+3)/2(n+1)
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，把刚刚这个公式简化以后，得到的平均时间复杂度就是 O(n)。
要查找的 x 变量，要么在数组里，要么不在数组里。这两种情况对应的概率假设都为 1/2。另外，要查找的数据出现在0 ~ n-1这 n 个位置的概率也一样， 为 1/n。所以，根据概率乘法法则，要查找数据出现在 0 ~ n-1中任意位置的概率就是 1/(2n)。
因此，前面的推导过程中存在的最大问题是， 没有将各种情况发生的概率考虑进去。如果将每种情况发生的概率也考虑进去，那平均时间复杂度的计算过程就变成了这样：
1 * + 2 *
+ 3 *
+ ... + n *
+ n *
=
这个值就是概率论的加权平均值，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
引入概率之后，前面那段代码的加权平均值为 (3n+1)/4。用大 O 表示法来表示，去掉系数和常量，这段代码的加权平均时间复杂度仍然是 O(n)。
实际上，在大多数情况下，我们并不需要区分最好、最坏、平均情况时间复杂度三种情况。很多时候，我们使用一个复杂度就可以满足需求了。只有同一块代码在不同的情况下，时间复杂度有量级的差距，我们才会使用这三种复杂度表示法来区分。
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）
平均复杂度只在某些特殊情况下才会用到，而均摊时间复杂度应用的场景比它更加特殊、更加有限。
// 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;
}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。
那这段代码的时间复杂度是多少呢？你可以先用我们刚讲到的三种时间复杂度的分析方法来分析一下。
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)。
那平均时间复杂度是多少呢？答案是 O(1)。我们还是可以通过前面讲的概率论的方法来分析
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：
1 * + 1 *
+ 1 *
+ ... + 1 *
+ n *
= O(1)
首先，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。
我们再来看第二个不同的地方。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。
所以，针对这样一种特殊场景的复杂度分析，我们并不需要像之前讲平均复杂度分析方法那样，找出所有的输入情况及相应的发生概率，然后再计算加权平均值。
针对这种特殊的场景，我们引入一种更加简单的分析方法：摊还分析法，通过摊还分析法得到的时间复杂度我们有一个名字，叫均摊时间复杂度。
那究竟如何使用摊还分析法来分析算法的均摊时间复杂度呢？
我们还是继续看在数组中插入数据的这个例子。每一次 O(n) 的插入操作，都会跟着 n-1 次 O(1) 的插入操作，所以把耗时多的那次操作均摊到接下来的 n-1 次耗时少的操作上，均摊下来，这一组连续的操作的均摊时间复杂度是 O(1)。这就是均摊分析的大致思路。
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，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等于最好情况时间复杂度。
均摊时间复杂度看作一种特殊的平均时间复杂度，没必要花太多精力去区分它们，应该掌握的是它的分析方法，摊还分析。
内容小结
几个复杂度分析相关的概念，分别有：最好情况时间复杂度，最坏情况时间复杂度，平均情况时间复杂度，均摊时间复杂度。之所以引入这几个复杂度概念，是因为，同一段代码，在不同输入的情况下，复杂度量级有可能是不一样的。在引入这几个概念之后，我们可以更加全面地表示一段代码的执行效率。
内容总结
以上是互联网集市为您收集整理的数据结构与算法之美_lesson3_复杂度分析(下)：浅析最好、最坏、平均、均摊时间复杂度全部内容，希望文章能够帮你解决数据结构与算法之美_lesson3_复杂度分析(下)：浅析最好、最坏、平均、均摊时间复杂度所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。