一、时间复杂度
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，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之间的数学表达式，就是算出了该算法的时间复杂度。
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);
}
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
大O符号（Big O notation)：是用于描述函数渐进行为的数学符号。
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的渐近表达法以后，Func1的时间复杂度为：
O(N^2）
N=10 F（N)=100
N=100 F（N)=10000
N=1000 F（N)=1000000
通过上面我们会发现大O的渐近表达法去掉了那些对结果影响不大的项，简洁明了的表达出了执行次数。
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执行次数（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
①最好情况：1次找到 ②最坏情况：N次找到 ③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D(N）。
1^2^2.....^2=N
假设循环走x次，就是x个2相乘，即2^x=N x=log N
时间复杂度：O(logN)
因为写的时候需要支持专业公式，否则不好写底数
时间复杂度中，为了方便，log N直接省略底数2
其它底数不能省略（其它底数也很少出现）
3.常见时间复杂度计算举例
1.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--)
{
++count;
}
printf("%d\n", count);
}基本操作执行了2N+10次，（注：把系数去掉，当N足够大时，系数对结果影响就不大了）所以时间复杂度为O(N)
2.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;
}
printf("%d\n", count);
}基本操作执行了M+N次，有两个未知数M和N，时间复杂度为O(M+N)或O(max(M,N))
如果：M远大于N,O(M)
如果：N远大于M,O(N)
3.计算Func4的时间复杂度？
void Func4(int N)
{
int count = 0;
for (int k = 0; k < 100; ++ k)
{
++count;
}
printf("%d\n", count);
}基本操作执行了10次，通过推导大O阶方法，时间复杂度为 O(1)
O(1)不是代表1次，代表常数次
4.计算strchr的时间复杂度？
const char * strchr ( const char * str, int character );基本操作执行最好1次，最坏N次，时间复杂度一般看最坏，时间复杂度为 O(N)
5.计算BubbleSort的时间复杂度？
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;
}
}6.计算BinarySearch的时间复杂度？
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n - 1;
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;
}
二分查找的缺点：外强中干，纸老虎，实际中不太实用a.排序 b.数组结构(不方便插入删除)
7.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;
}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)。
递归时间复杂度：所有递归调用次数累加
8.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(2^N)。
注：O(2^N)只有理论意义，实践中太慢了，N==50就要算好久了；解决：把递归改为非递归。
二、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。
空间复杂度计算规则基本和时间复杂度类似，也用大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运行时候申请的额外空间来确定。
1.计算BubbleSort的空间复杂度？
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;
}
}使用了常数个额外空间，所以空间复杂度为 O(1)
2. 计算Fibonacci的空间复杂度？
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
if (n == 0)
return NULL;
long long* fibArray = (long long*)malloc((n + 1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray[i - 2];
}
return fibArray;
}动态开辟了N个空间，空间复杂度为O(N)
3.计算阶乘递归Fac的空间复杂度？
long long Fac(size_t N)
{
if(N == 0)
return 1;
return Fac(N-1)*N;
}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)
三、常见复杂度
常见的空间复杂度：O(1) O(N) O(N^2)
一般算法常见的复杂度如下：
1169
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
