数据结构与算法——自学总结之时间复杂度和空间复杂度

这是我自学之路的起点，在我看来时间复杂度与空间复杂度两个度量很容易理解，所以不在时间和空间的概念上做解释，用尽可能通俗易懂的方式来记录。

时间复杂度：说白了就是就是程序的算法在我们输入信息的时候，随着输入信息的增加，这个算法它需要运行的时间的走势，这东西如果直观来看就是类似于折线图，咱们通常会用O字符来表示。所以说以后看到这个符号就自然而然知道这个是时间复杂度的意思。

• O(1)：常数时间复杂度，表示算法运行的时间不会随着输入信息变多然后变化。
• O(log n)：对数时间复杂度，通常出现在二分查找等算法中。
• O(n)：线性时间复杂度，算法的执行时间与输入规模成正比。
• O(n log n)：如快速排序、归并排序等常见的排序算法。
• O(n^2)：平方时间复杂度，通常出现在一些简单的嵌套循环中。
• O(2^n)：指数时间复杂度，通常出现在递归算法中。

以上这些是常见的时间复杂度，理解即可。

空间复杂度：咱们已经知道时间复杂度，类比一下，就是程序的算法它在我们输入信息的时候，随着输入信息的增加，这个算法它需要运行的空间的走势。一样的道理，咱们也用O表示空间复杂度。这里有人会疑问这俩符号不是冲突了吗？实际上是俩符号并用的，不要纠结。咱们评估算法优良得结合两个复杂度来看。

• O(1)：常数空间复杂度，算法的空间占用不随输入信息增多而变化。
• O(n)：线性空间复杂度，算法的空间占用与输入规模成正比。
• O(n^2)：平方空间复杂度，通常出现在二维数组等数据结构中。
• O(log n)：对数空间复杂度，通常出现在递归调用的空间占用中