数据结构之时间空间复杂度

1.如何衡量一个算法的好坏

我们平时写代码或者写oj题的时候，会用到各种各样的算法，那么求解一个问题所用到的算法好不好？为什么？如何衡量一个算法的好坏呢？就比如这个斐波那契数列算法好不好？

public static long Fib(int N){
    if(N<3){
        return 1;
    }
    return Fib(N-1)+Fib(N-2);
}

2. 算法效率

算法效率分析分为两种：第一种是 时间效率 ，第二种是 空间效率 。时间效率被称为时间复杂度，而空间效率被称作 空间复杂度。 时间复杂度主要衡量的是一个算法的运行速度，而空间复杂度主要衡量一个算法所需要的额外空间 ， 在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。

3.时间复杂度

3.1时间复杂度的概念

时间复杂度的定义：在计算机科学中， 算法的时间复杂度是一个数学函数 ，它定量描述了该算法的运行时间。一个 算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。但是我 们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。一个算 法所花费的时间与其中语句的执行次数成正比例， 算法中的基本操作的执行次数，为算法的时间复杂度。

3.2 大O渐进表示法

计算一下func1执行基本操作了多少次？

   void  func1(int N){
        int count=0;
        for(int i=0;i<N;i++){
            for (int j = 0; j < N; j++) {
                count++;
            }
        }
        for(int k=0;k<2*N;k++){
            count++;
        }
        int M=10;
        while((M--)>0){
            count++;
        }
    }

func1执行的操作次数：

 

但实际上我们计算时间复杂度时，我们其实并不用计算请确的执行次数，只需要计算大概次数即可，这里就需要用到大O渐进表示法 。

3.3 推导大O阶方法

1.用常数1取代运行时间中的所有加法常数。

2.在修改后的运行次数函数中，只保留最高阶项。

3。如果最高阶存在且不是1，则去除与这个项目相乘的常数，得到的结果就是大O阶。

就比如fun1函数使用大O渐进表示法后 时间复杂度统称为O(N²)

通过上面我们会发现大O渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数

 3.4 常见时间复杂度计算举例

【实例一】

    //计算func2的时间复杂度？
    void  func2(int N){
        int count=0;
        for(int k=0;k<2*N;k++){
            count++;
        }
        int M=10;
        while((M--)>0){
            count++;
        }
    }

func2基本操作执行了2*N+10次，通过大O渐进法我们知道，时间复杂度为O(N);

【实例二】

  //计算func3的时间复杂度？
    void func3(int N, int M) {
        int count = 0;
        for (int k = 0; k < M; k++) {
            count++;
        }
        for (int k = 0; k < N ; k++) {
            count++;
        }
        System.out.println(count);
    }

 func3基本操作执行了N+M次，有两个未知数，时间复杂度为O(N+M);

【实例三】 

 //计算func4的时间复杂度？
    void func4(int N) {
        int count = 0;
        for (int k = 0; k < 100; k++) {
            count++;
        }
        System.out.println(count);
    }

func4基本操作执行了100次，通过大O渐进法可知，时间复杂度为O(1); 

   //计算func5的时间复杂度？
    void func5(int[] array) {
        for (int end = array.length; end > 0; end--) {
            boolean sorted = true;
            for (int i = 1; i < end; i++) {
                if (array[i - 1] > array[i]) {
                    Swap(array, i - 1, i);
                    sorted = false;
                }
            }
            if (sorted == true) {
                break;
            }
        }
    }

func5最好情况执行了N次，最坏情况执行力(N*(N-1))/2，通过大O渐进法可知时间复杂度一般看最坏，所以时间复杂度为O(N²)；

4.空间复杂度

空间复杂度是对一个算法在运行过程中 临时占用存储空间大小的量度 。空间复杂度不是程序占用了多少 bytes 的空间，因为这个也没太大意义，所以空间复杂度算的是 变量的个数 。空间复杂度计算规则基本跟时间复杂度类似，也使用大 O 渐进表示法 。

【实例一】

 // 计算bubbleSort的空间复杂度？
    void bubbleSort(int[] array) {
        for (int end = array.length; end > 0; end--) {
            boolean sorted = true;
            for (int i = 1; i < end; i++) {
                if (array[i - 1] > array[i]) {
                    Swap(array, i - 1, i);
                    sorted = false;
                }
            }
            if (sorted == true) {
                break;
            }
    }
}

 实例1使用了常数个额外空间，所以空间复杂度为 O(1);

【实例二】

  // 计算fibonacci的空间复杂度？
    int[] fibonacci(int n) {
        long[] fibArray = new long[n + 1];
        fibArray[0] = 0;
        fibArray[1] = 1;
        for (int i = 2; i <= n ; i++) {
            fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
        }
        return fibArray;
    }

实例二开辟了N个空间，空间复杂度为O(N);

【实例三】

 // 计算阶乘递归Factorial的空间复杂度？
    long factorial(int N) {
        return N < 2 ? N : factorial(N-1)*N;
    }

实例3递归调用了N次，开辟了N个栈帧，每个栈帧使用了常数个空间。空间复杂度为O(N)

---

以上就是时间空间复杂度的基本内容，如果对你有帮助，点个赞吧OuO！