算法的时间复杂度和空间复杂度

一.算法的复杂度：

   

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 。

时间复杂度主要衡量一个算法的运行快慢，而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。

二：时间复杂度：

       1.时间复杂度的概念：

          在计算机科学中，算法的时间复杂度是一个函数（这里的函数指的是数学中的函数），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。

即：找到某条基本语句与问题规模 N 之间的数学表达式，就是算出了该算法的时间复杂度。

       

        

上述代码中，时间复杂度是多少？（在没有深层学习的情况下浅浅分析）

        首先两个嵌套循环，循环条件都是小于N，所以在这个嵌套的循环时间复杂度就是N^2，接下来还有一个循环，这个循环是一个单层循环，循环条件小于2*N，所以时间复杂度就是2*N，还有一个循环是当M>0的时候执行，所以循环次数是10次，总的来说这个代码的时间复杂度就是N^2+2*N+10。在这里只是简单分析是这个，但其实真正的时间复杂度不能这么算，在这个表达式可以看出，当N非常大的时候对时间复杂度的影响只有N^2这个表达式。

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：

  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。

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。

根据这个推导，可以得出Fun1的时间复杂度就是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.通过例题来算时间复杂度：

   1.

分析如下：

2.

分析如下：

3.

4.

这个strchr函数就是在一个字符串中查找一个字符

分析图：

5.冒泡排序的时间复杂度：

   

第二张图可以更加直观看出冒泡排序循环的次数，也就可以更好计算出时间复杂度是多少

6.

根据图解即可看出递归调用的复杂度就是O(N),递归的时间复杂度就是相加，就是看你N是多少了。

7.

根据图解可以看出，虽然计算出最后结果为2^(N-1)-1但是根据时间复杂度计算规律其实就是O(2^N).

三.常见复杂度对比：

 

在这里试一下时间复杂度是O(N^3)时可以看到程序崩溃了，说明此时时间复杂度太大，这里运用clock函数记录运行前后时间然后相减来看出时间，可是这里时间打印不出来。

所以当时间复杂度越来越大时对程序有损害，并且运行吃力，所以要选择最少的时间复杂度的算法。

四.消失的数字和轮转数组：

      1.消失的数字：

           

这个题目有时间复杂度的要求，要求必须在O(n)的时间内完成。

思路一：

一开始的思路是先给这个数组排序，排完序之后如果前面数字+1等于后面数字就是正确的，如果不是就是缺少那一个。但是排序可以用qsort函数，也可以使用冒泡排序，但是qsort函数的时间复杂度是O(logN*N)不符合题目要求，而冒泡排序的时间复杂度是O(N^2)，所以这两个都不符合，所以这个思路有错误。

思路二：

这是一个等差数组，我们直接对0~N进行就和，然后再利用一层循环将求和的结果与数组的每个元素相减，这样就可以找到消失的那个数字了。

这就是在力扣上的答案。这个时间复杂度刚好是O(N)  刚好满足题目的要求

思路三：

这里我们可以用异或的第三个性质，一开始先让0与数组的元素（没有缺少的元素）异或，之后再与0~N异或这样操作完的结果就是缺失的那个数字

拿例子一来测试，1到3现在缺少数字2

这样在第一个循环中0^3^0^1  然后再在第二个循环中进行异或操作0^3^0^1 ^0^1^2^3  再根据上面异或的自反性就可以看出结果就是消失的那个数字，这样返回结果即可。这样的思路时间复杂度也是O(N)也是符合题目要求的。

2.轮转数组：

  

首先可以看出当旋转是数组个数的整数倍时其实就等于没有旋转，所以在旋转前可以取余看看真正需要旋转多少次。

思路1：

根据思路1可以写出代码：

但是这种方法行不通，在最后一个用例上超出了时间限制，也就是说这种方法时间复杂度高了，这个代码的时间复杂度是O(N^2)。

思路二：

这种方法不好想到，比较难

根据这个思路，我们要先写一个逆置函数，并且要弄清楚逆置的区间。

根据上述思路写出逆置函数：

再根据上面的区间可以写出完整代码：

在这里编译也是通过了，在这个代码中时间复杂度就是O(N)。所以思路二优于思路一

五.空间复杂度：

 空间复杂度也是一个数学表达式，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实践复杂度类似，也使用大O渐进表示法。

注意： 函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了，因此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。

现在通过几个例子来看看空间复杂度是怎么计算的：

 

  1.

计算空间复杂度是看解决这个问题开辟的额外的空间，在这里可以看出整形指针a和整形n是题目给的，在这里另外给了end 和i还有exchange这三个变量，属于解决这个问题另外开辟的空间，使用了常数个额外的空间，则空间复杂度就是O(1)。

2.

递归每递归一次开辟一个新的空间，也就是栈帧，使用了N次所以其空间复杂度也就是O(N)。

总的来说空间复杂度常见的是这三个：O(1),O(N),O(2^N).