时间复杂度和空间复杂度

一、前言

算法效率：

如何衡量一个算法的好坏呢？

算法在编写成可执行程序后，运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏，一般是从时间和空间两个维度来衡量的，即时间复杂度和空间复杂度。

二、时间复杂度

时间复杂度主要衡量一个算法的运行快慢。
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。

三、空间复杂度

空间复杂度主要衡量一个算法运行所需要的额外空间。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注一个算法的空间复杂度。

四、 常见复杂度对比

五、实例

1.例一

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--)
{
 ++count;
}
printf("%d\n", count);
}

Func1 执行的基本操作次数:
N = 10
F(N) = 130
N = 100
F(N) = 10210
N = 1000
F(N) = 1002010
F(N)=N^2+2*N+10

实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数，那么这里我们使用大O的渐进表示法。

2.大O的渐进表示法

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、如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。
使用大O的渐进表示法以后，Func1的时间复杂度为： O(N^2)

通过上面我们会发现大O的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。
另外有些算法的时间复杂度存在最好、平均和最坏情况：
最坏情况：任意输入规模的最大运行次数(上界)
平均情况：任意输入规模的期望运行次数
最好情况：任意输入规模的最小运行次数(下界)
例如：在一个长度为N数组中搜索一个数据x
最好情况：1次找到
最坏情况：N次找到
平均情况：N/2次找到
在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)

3.例二

void Func2(int N)
{
 int count = 0;
 for (int k = 0; k < 2 * N ; ++ k)
 {
 ++count;
 }
 int M = 10;
 while (M--)
 {
 ++count;
 }
 printf("%d\n", count);
}

根据Func2,我们能看出k的执行次数是2N，m的执行次数是10，所以总的执行次数是2N+10，根据大O的渐进表示法，保留最高阶项，去除与这个项目相乘的常数：时间复杂度为：O(N)

4.例三

void BubbleSort(int* a, int n)
{
 assert(a);
 for (size_t end = n; end > 0; --end)
 {
 int exchange = 0;
 for (size_t i = 1; i < end; ++i)
 {
 if (a[i-1] > a[i])
 {
 Swap(&a[i-1], &a[i]);
 exchange = 1;
 }
 }
 if (exchange == 0)
 break;
 }
}

1.基本操作执行最好N次，最坏执行了(N(N+1)/2次，通过推导大O阶方法+时间复杂度一般看最坏，时间复杂度为：O(N^2)。
2.使用了常数个额外空间，所以空间复杂度为 O(1)。*

5.例四

int BinarySearch(int* a, int n, int x)
{
 assert(a);
 int begin = 0;
 int end = n-1;
 // [begin, end]：begin和end是左闭右闭区间，因此有=号
 while (begin <= end)
 {
 int mid = begin + ((end-begin)>>1);
 if (a[mid] < x)
 begin = mid+1;
 else if (a[mid] > x)
 end = mid-1;
 else
 return mid;
 }
 return -1;
}

基本操作执行最好1次，最坏O(logN)次，时间复杂度为 O(logN)。

6.例五

计算阶乘递归Fac的时间复杂度

long long Fac(size_t N)
{
 if(0 == N)
 return 1;
 
 return Fac(N-1)*N;
}

1.通过计算分析发现基本操作递归了N次，时间复杂度为O(N)。
2.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)

7.例六

计算斐波那契递归Fib的时间复杂度

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

通过计算分析发现基本操作递归了2^N次，时间复杂度为 O(N^2)

总结

复杂度的计算不能只看循环，重要的是代码的思路，先根据思想判断时间复杂度，再选择最优的代码。
至此本篇文章就结束了。若本篇内容对您有所帮助，请三连点赞，关注，收藏支持下。创作不易，白嫖不好，各位的支持和认可，就是我创作的最大动力，我们下篇文章见！如果本篇博客有任何错误，请批评指教，不胜感激 ！！！