前言 本篇文章收錄於專輯：http://dwz.win/HjK 你好，我是彤哥，一個每天爬二十六層樓還不忘讀源碼的硬核男人。 大家都知道，數據結構與演算法解決的主要問題就是“快”和“省”的問題，即如何讓代碼運行得更快， 如何讓代碼更節省存儲空間。 所以，“快”和“省”是衡量一個演算法非常重要的兩項指標， ...
前言
本篇文章收錄於專輯：http://dwz.win/HjK
你好，我是彤哥，一個每天爬二十六層樓還不忘讀源碼的硬核男人。
大家都知道，數據結構與演算法解決的主要問題就是“快”和“省”的問題，即如何讓代碼運行得更快， 如何讓代碼更節省存儲空間。
所以，“快”和“省”是衡量一個演算法非常重要的兩項指標，也就是我們經常聽到的時間複雜度和空間複雜度分析。
那麼，為什麼需要複雜度分析呢？複雜度分析的方法論是什麼呢？
這就是我們本節要解決的問題。
好了，進入今天的學習吧。
為什麼需要複雜度分析？
首先，我們來思考一個問題：對於兩個演算法，我們如何評判誰運行得更快，誰運行時更節省記憶體？
你可能會說，這還不簡單，把這兩個演算法運行一遍，統計下運行時間和占用記憶體不就可以了嗎？
沒錯，這確實是一種不錯的方法，而且它還有個非常形象的名字：事後統計法。
但是，這種統計方法具有非常明顯的問題：
-
不同的輸入對結果影響很大
對於一些輸入，可能演算法A執行得更快；對於另外一些輸入，可能演算法B執行得更快。比如，我們後面要學習的排序演算法，輸入的有序性對於不同的排序演算法的影響是完全不同的。
-
不同的機器對結果影響很大
對於同樣的輸入，可能在一臺機器上演算法A更快，而在另外一臺機器上演算法B更快。比如，演算法A可以利用多核而演算法B不能，那麼CPU的核數對這兩個演算法的影響將截然不同。
-
數據規模對結果影響很大
當數據規模小時，可能演算法A更快，而數據規模變大時，可能演算法B更快。比如，我們後面要學習的排序演算法，當數據規模比較小時，插入排序反而比歸併排序更快。
所以，我們需要一種可以不用實際運行演算法，就可以估計演算法執行效率的方法。
這也就是我們所說的複雜度分析。
那麼，怎麼進行複雜度分析呢？有沒有什麼方法論呢？
還真有，這個方法論叫作漸近分析法。
什麼是漸近分析法？
漸近分析法，是指將演算法執行的效率與輸入的規模進行掛鉤，隨著輸入規模的增大，演算法執行所需要的時間（或空間）將呈現一種什麼樣的趨勢，這種趨勢就叫作漸近，而這種方法就叫作漸近分析法。
概念可能比較拗口，我舉個簡單的例子，對於給定的一個有序數組，我要查找其中某個值所在的位置，比如，查找8這個元素，有哪些方法呢？
簡單暴力點的方法，從頭遍歷，查找到該元素即返回。
更友好一點的方法，採用二分法，每次定位到數據的中間位置，看其值與目標值的大小，判斷是在左邊還是右邊繼續以二分的方式查找。
上面我們舉的例子的輸入規模是8個元素的有序數組，目標值為8，使用第二種方法明顯比第一種方法要快很多。
但是，如果查找的目標是1呢？
對於第一種方法，查找一次足矣。
對於第二種方法，需要查找3次。
此時，第二種方法又次於第一種方法了。
所以，比較兩個演算法的執行效率，不能只考慮到個別元素，而應該顧及到所有元素的感受。
我們以數學的方法來統計兩種方法的平均執行效率，假設輸入規模擴展到n。
對於第一種方法，1號元素查找一次，2號元素查找兩次，3號元素查找三次……，而查找每個元素的概率都是1/n。
所以，它的執行效率為：1x1/n + 2x1/n + 3x1/n + ... nx1/n = nx(n+1)/2/n = (n+1)/2。
對於第二種方法，中間的元素有一個，查找一次，次中間的元素有兩個，查找兩次，次次中間的元素有四個，查找三次...，每次查找的規模都縮小一半，而查找每個元素的概率都是1/n。
所以，它的執行效率為：1x1x1/n + 2x2x1/n + 4x3x1/n + ... + 2^(log2(n)-2) x (log2(n)-1) x 1/n+ 2^(log2(n)-1) x log2(n) x 1/n = ?
我了個去，這個結果等於多少？
是時候展現真正的實力了：
你可能要罵娘了，對於我一個小學畢業的，難道我沒辦法學習數據結構與演算法了？
No，No，No，肯定不能這麼玩，那麼，應該怎麼玩呢？我們下一節接著講。
後記
本節，我們從演算法執行效率方面闡述了為什麼需要複雜度分析，並介紹了複雜度分析的方法，即漸近分析法，如果嚴格地遵循漸近分析法，需要大量的數學知識，這無疑增加了我們分析演算法的難度，那麼，有沒有什麼更省心地計算複雜度的方法呢？
關註公眾號“彤哥讀源碼”，解鎖更多源碼、基礎、架構知識！
