# 一、算法复杂度
首先每个程序运行过程中，都要占用一定的计算机资源，比如内存，磁盘等，这些是空间，计算过程中需要判断，循环执行某些逻辑，周而反复，这些是时间。
那么一个算法有多好，多快，怎么衡量一个算法的好坏？所以，计算机科学在算法分析过程中，提出了算法复杂度理论，这套理论可以量化算法的效率，以此作为标准，方便我们能衡量到底选择哪一种算法。
复杂度有两个维度：时间和空间。
我们说，一个实现了某算法的程序：
- 如果计算的速度越快，那么这个算法时间复杂度越低。
- 如果占用的计算资源越少，那么空间复杂度越低。
我们要选择复杂度低的算法，衡量好空间和时间的消耗，选出适合特定场景的算法。
这两个复杂度维度的量化过程都是一样的，所以我们这里主要介绍时间复杂度。
# 二、算法规模
我们要计算公式 1 + 2 + 3 + ... + 100，那么按照最直观的算法来写：
package main
import "fmt"
func sum(n int) int {
total := 0
// 从1加到N, 1+2+3+4+5+..+N
for i := 1; i <= n; i++ {
total = total + i
}
return total
}
func main() {
fmt.Println(sum(100))
}
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
当 n = 10 时就等于我们要计算的公式。这个算法要循环 n-1 次，当 n 很小时，计算很快，但当 n 无限大的时候，计算很慢。
所以，算法衡量要衡量的是在不同 问题规模 n 下，算法的速度。
在这里，因为要循环计算 n-1 次，而当 n 无限大时，常数项基本忽略不计，所以这个算法的时间复杂度，我们用 O(n) 来表示。
我们有另外一种计算方式：
func sum2(n int) int {
total := ((1 + n) * n) / 2
return total
}
2
3
4
这次算法只需执行 1 次，所以这个算法的时间复杂度是 O(1)。可以看出，时间复杂度为 O(1) 的算法优于复杂度为 O(n) 的算法。
当然，还有指数级别的比如之前的汉诺塔算法，对数级别的，阶乘级别的复杂度，如 O(2^n)，O(n!)，O(logn) 等。
算法的优先级排列如下，一般排在上面的要优于排在下面的：
- 常数复杂度：
O(1) - 对数复杂度：
O(logn) - 一次方复杂度：
O(n) - 一次方乘对数复杂度：
O(nlogn) - 乘方复杂度：
O(n^2)，O(n^3) - 指数复杂度：
O(2^n) - 阶乘复杂度：
O(n!) - 无限大指数复杂度：
O(n^n)
# 三、渐进符号
如何量化一个复杂度，到底有多复杂，计算机科学抽象出了几个复杂度渐进符号。
渐进符号如下：
O，ο，Θ，Ω，ω
分别读作：Omicron（大欧），omicron（小欧），Theta（西塔），Omega（大欧米伽），omega（小欧米伽）。
# 3.1. 渐进符号：Θ
假设算法 A 的运行时间表达式：
T(n)= 5 * n^3 + 4 * n^2
如果问题规模 n 足够大，那么低次方的项将无足轻重，运行时间主要取决于高次方的第一项：5*n^3。
随着 n 的增大，第一项的 5*n^3 中的常数 5 也无足轻重了。
所以算法 A 的运行时间 T(n) 约等于 n^3。记为：
T(n) = Θ(n^3)
Θ 的数学含义:
设
f(n)和g(n)是定义域n为自然数集合的函数，两个函数同阶，也就是当n无穷大时，f(n)/g(n)等于某个大于0的常数c。
也可以说，存在正常量
c1，c2和n0，对于所有n >= n0，有0 <= c1 * g(n) <= f(n) <= c2 * g(n)。
那么可以记
f(n) = Θ(g(n))，g(n)是f(n)的渐进紧确界。
# 3.2. 渐进符号：O
O 的数学含义:
设
f(n)和g(n)是定义域n为自然数集合的函数，f(n)函数的阶不高于g(n)函数的阶。
也可以说，存在正常量
c和n0，对于所有n >= n0，有0 <= f(n) <= c * g(n)。
那么可以记
f(n) = O(g(n))。g(n)是f(n)的渐进上界。
# 3.3. 渐进符号：Ω
Ω 的数学含义:
设
f(n)和g(n)是定义域n为自然数集合的函数，f(n)函数的阶不低于g(n)函数的阶。
也可以说，存在正常量
c和n0，对于所有n >= n0，有0 <= cg(n) <= f(n)。
那么可以记
f(n) = Ω(g(n))。g(n)是f(n)的渐进下界。
# 3.4. 渐进分析
上面的定义很复杂，我们可以来看图：
当 n 值超过某个值时，f(n) 被 g(n) 两条线夹在中间，那么 g(n) 就是渐进紧确界。
如果 g(n) 的线在上面，就是渐进上界。
如果 g(n) 线在下面，就是渐进下界。
我们一般会评估一个算法的渐进上界 O，因为这表示算法的最坏情况，这个上界可以十分不准确，但我们一般会评估得足够准确，比如：
设 f(n) = 5 * n^3 + 4 * n^2，我们要求渐进上界。
那么：
f(n) = O(n^3)，g(n) = n^3
f(n) = O(n^4)，g(n) = n^4
2
两个 g(n) 都是上界，因为令 c = 5 时都存在：0 <= f(n) <= c * g(n))。
我们会取乘方更小的那个，因为这个界更逼近 f(n) 本身，所以我们一般说 f(n) = O(n^3)，算法的复杂度为大欧 n 的三次方，表示最坏情况。
同理，渐进下界 Ω 刚好与渐进上界相反，表示最好情况。比如还是这个假设：
设 f(n) = 5 * n^3 + 4 * n^2，我们要求渐进下界。
那么：
f(n) = Ω(n^3)，g(n) = n^3
f(n) = Ω(n^2)，g(n) = n^2
2
两个 g(n) 都是下界，因为令 c =5 时都存在：0 <= cg(n) <= f(n)。
我们准确评估的时候，要取乘方更大的那个，因为这个界更逼近 f(n) 本身，所以我们一般说 f(n) = Ω(n^3)，算法的复杂度为大欧米伽 n 的三次方，表示最好情况。
我们发现当 f(n) = Ω(n^3) = O(n^3) 时，其实 f(n) = Θ(n)。
另外两个渐进符号 ο 和 ω 一般很少使用，指不那么紧密的上下界。
也就是评估的时候，不那么准确去评估，在评估最坏情况的时候使劲地往坏了评估，评估最好情况则使劲往好的评估，但是它不能刚刚好，比如上面的结果：
f(n) = O(n^3)，g(n) = n^3
f(n) = O(n^4)，g(n) = n^4
f(n) = Ω(n^3)，g(n) = n^3
f(n) = Ω(n^2)，g(n) = n^2
2
3
4
我们可以说：
f(n) = ο(n^4)，g(n) = n^4 往高阶的评估，不能同阶
f(n) = ω(n^2)，g(n) = n^2 往低阶的评估，不能同阶
2
# 四、总结
| 记号 | 含义 | 通俗理解 |
|---|---|---|
| Θ | 紧确界 | 相当于"=" |
| O | 上界 | 相当于"<=" |
| ο | 非紧的上界 | 相当于"<" |
| Ω | 下界 | 相当于">=" |
| ω | 非紧的下界 | 相当于">" |
我们一般用 O 渐进上界来评估一个算法的时间复杂度，表示逼近的最坏情况。其他渐进符合基本不怎么使用。
赞赏支持
如果你觉得文章不错，请打个赏吧！
