# 前言 你好，我是彤哥，一個每天爬二十六層樓還不忘讀原始碼的硬核男人。 上一節，我們從最壞、平均、最好三種情況分析了演算法的複雜度，得出結論，通常來說，使用最壞情況來評估演算法的複雜度完全夠用了。 但是，有些演算法是不能使用最壞情況來評估演算法的複雜度的。 那麼，有哪些演算法呢？ 本節，我們將從動態陣列以及快速排序這兩個個例入手來分析不能使用最壞情況評估複雜度的情形。 # 動態陣列 動態陣列，對應於Java中的ArrayList，在插入元素時，分成兩種情況： 1. 陣列未滿，元素放在size下標的位置即可； 2. 陣列滿了，需要擴容，一般擴容為N倍大小，Java裡面是1.5倍，擴容時需要建立一個新的陣列，並把原來的元素一個一個地拷貝到新的陣列中，再插入新的元素； 我簡單地寫一段程式碼，你可以感受下： ```java public class DynamicArray { private int[] array; private int size; public DynamicArray(int capacity) { this.array = new int[capacity]; this.size = 0; } // 插入元素，時間複雜度為多少呢？ public void add(int element) { // 判斷是否需要擴容 if (size >= array.length) { int newCapacity = array.length + (array.length >> 1); int[] newArray = new int[newCapacity]; for (int i = 0; i < array.length; i++) { newArray[i] = array[i]; } this.array = newArray; } array[size++] = element; } public int[] getArray() { return array; } public static void main(String[] args) { DynamicArray dynamicArray = new DynamicArray(4); dynamicArray.add(1); dynamicArray.add(2); dynamicArray.add(3); dynamicArray.add(4); dynamicArray.add(5); dynamicArray.add(6); for (int element : dynamicArray.getArray()) { System.out.println(element); } } } ``` 那麼，對於動態陣列，它的插入元素方法的時間複雜度是多少呢？ 按照上一節的說法，按照最壞情況來評估，最壞情況是插入元素時正好陣列滿了需要擴容的時候，此時，需要建立一個額外的陣列，同時有一個遍歷原陣列的過程。 所以，在最壞情況下，動態陣列插入元素的時間複雜度為O(n)。 但是，這樣合理嗎？ 顯然是不合理的，我插入前面(n-1)個元素的時候，它的時間複雜度都是O(1)，就只有插入第n個元素的時候它的時間複雜度才是O(n)，所以，這樣來評估動態陣列插入元素的時間複雜度明顯不合理。 那麼，如果我把第n個元素插入所需要的時間均攤到所有元素上會怎麼樣呢？ 這樣的話，前面每個元素的插入時間只需要加1，變成O(2)，忽略常數項，就還是O(1)，這樣明顯是要合理一些。 這種方式跟計算平均時間複雜度有點類似，但是，它不是平均時間複雜度，它有一個專門的名稱叫做**均攤時間複雜度**。 均攤時間複雜度，即對一批樣本中出現的個例情況，將它們耗費的時間均攤到所有樣本上，算出來的一個時間複雜度。 你可以把它和平均時間複雜度對比一下： 1. 平均時間複雜度的計算中沒有個例，所有樣本是同等看待的，想一下線性查詢的過程； 2. 均攤時間複雜度的計算中有個例，這種個例往往就是最壞的情況，想一下動態陣列插入元素的過程； 3. 線性查詢第n個元素不是個例，不能把它的時間均攤到所有元素上； > 這兩個概念嚴格來說是有區別的，如果無法理解，當成一樣的也問題不大，比如，這裡如果按平均時間複雜度計算的話，結果為 (1+1+1+...+n)/n = (n-1+n)/n = (2n-1)/n=2-1/n，忽略常數項和低階項，最終的結果也是O(1)。 好了，那麼，我們再來看一下動態陣列插入元素時的額外空間複雜度。 是不是一樣的道理？陣列未滿時額外空間複雜度為O(1)，陣列滿時額外空間複雜度為O(n)，均攤一下變成O(1)。 所以，對於動態陣列插入元素的過程，它的均攤時間複雜度和均攤額外空間複雜度都是O(1)。 # 快速排序 大家都知道經典的快速排序的時間複雜度是O(nlogn)，那麼，它的最壞時間複雜度是不是也是O(nlogn)呢？ 讓我們來看下面這個陣列：  這是一個有序陣列，如果此時用經典快速排序來對其進行排序會怎樣呢？ 我們取最右邊的元素為軸（Pivot），也就是12，將小於12的放在它的左邊，大於12的放在它的右邊，發現沒有比12大的，所以，右邊沒有元素，經過此步，12的位置固定不變了。 接著，將12左右兩邊的元素再各取最右邊的元素為軸，12的右邊沒有元素，所以，只需要處理左邊就可以了，以10為軸，比10小的放在它的左邊，比10大的放在它的右邊，發現10的右邊也沒有元素（12已經固定了），經過此步，10的位置固定了。 同樣地，最後一步到1這裡，排序完成。 讓我們來分析一下整個過程的複雜度： 第一步，需要遍歷(n-1)個元素； 第二步，需要遍歷(n-2)個元素； ... 最後一步，需要遍歷0個元素； 這種情況下的時間複雜度為：(n-1) + (n-2) + ... + 1 + 0 = (n-1)n/2 = n^2/2 - n/2，忽略常數項和低階項，它的時間複雜度為O(n^2)。 所以，對於有序陣列，使用經典快速排序，它的時間複雜度為O(n^2)，這也是最壞的情況。 但是，似乎從來沒有人告訴你，經典快速排序的時間複雜度為O(n^2)，而是O(nlog2)，這是為什麼呢？ 那是因為有序陣列相對於經典快速排序，也是屬於個例，窮舉無限多的樣本之後，有序陣列的可能性實在是太小，所以，我們一般說經典快速排序的時間複雜度為O(nlogn)，而不是以最壞情況來評估它的時間複雜度。 > 我們這裡說的是經典快速排序，為什麼要加“經典”兩個字呢？ # 後記 好了，本節，我們通過兩個案例來說明了並不是所有的演算法都使用最壞情況來評估它的複雜度。 到現在為止，我們都是使用的大O來表示演算法的複雜度，但是，在其它書籍中，你可能還見過Θ、Ω等表示法，它們又是什麼意思呢？ 下一節，我們接著聊。 > 關注公眾號“彤哥讀原始碼”，解鎖更多原始碼、基礎、架構