算法效率的度量

算法效率的度量

一、时间复杂度

1.基本概念

算法时间复杂度：事先预估算法时间开销与T(n)与问题规模n的关系

2.表示方式

T（n）=O（）

3.如何计算时间复杂度

简单来说就是将执行次数加起来只考虑阶数高的部分
（只考虑阶数，用大O记法）

（1）加法规则
T(n)=T1(n)+T2(n)=O(f(n))+O(g(n))=O( max( f(n),g(n) ) )
多项相加，只保留最高阶的项，且系数变为1
（2）乘法规则
T(n)=T1(n)*T2(n)=O(f(n)*Og(n))=O(f(n)*g(n))
多项相乘，都保留
（3） 时间复杂度的比较口诀：常对幂指阶
（4） 顺序执行的代码只会影响常数项，可以忽略
（5） 只需要挑选循环中的一个基本操作分析它的执行次数与n的关系
（6） 如果有多层嵌套循环，只需关注最深层循环循环了几次
（7） 搜索算法
最坏时间复杂度：最坏情况下计算复杂度
最好时间复杂度：最好情况下算法的时间复杂度
平均复杂度：所有输入示例等概率出现的情况下，算法的期望运行时间

二、空间复杂度

1.基本概念

空间开销（内存开销）与问题规模n之间的关系

2.表示方式

S(n)=O()

3.如何计算空间复杂度

与计算时间复杂度相似：简单来说将数据所占空间相加取阶数最大的部分,
（只需关注存储空间大小与问题规模相关的变量，取阶数最高部分）
下面是几个例子：
（1） 无论问题规模怎么变，算法运行所需的内存空间都是固定的常量，算法空间复杂度为S（n）=O（1），
算法原地工作——算法所需内存空间为常量

*（2）*S（n）=O（4n+8)=O(n)

（3） S （n)=O(n *n)
(4)

*（5）S（n)=O(n)
空间复杂度=递归调用的深度

（6） S(n)=O(1+2+3+4+…+n)=O（0.5 n * n+0.5 * n)=O(n * n)