【数据结构】算法的时间复杂度空间复杂度

1.算法的效率

1.1算法的复杂度

1.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。

2.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（注意是额外）。

3.我们现如今更看重时间复杂度。

2.时间复杂度

2.1时间复杂度概念

1.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；但这样很不好，因为不同的设备硬件不同，相同的算法跑出来的时间也不同，而且每个算法都上机测试，很麻烦，所以有了时间复杂度这一概念：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。（这样每个算法的时间复杂度就与机器无关了）

2.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。

例：

// 请计算一下Func1中++count语句总共执行了多少次？
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);
 }

在上面例子中Func1执行次数为：

F(N)=N^2+2*N+10

· N = 10 F(N) = 130
· N = 100 F(N) = 10210
· N = 1000 F(N) = 1002010

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。

2.2大O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。（函数中全是加法常数是写成O(1))
2、在修改后的运行次数函数中，只保留最高阶项。（保留最高阶）
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。(最高阶的常数部分写成1）

例：
使用大O的渐进表示法以后，Func1的时间复杂度为：

O(N^2)

注意：在实际中一般情况关注的是算法的最坏运行情况，例：

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

所以数组中搜索数据时间复杂度为O(N)

2.3常见时间复杂度计算举例

实例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);
 }

实例1基本操作执行了2N+10次，通过推导大O阶方法知道，时间复杂度为 O(N)。

实例2:

// 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);
 }

实例2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)。

实例3:

/ 计算strchr的时间复杂度？
const char * strchr ( const char * str, int character );

补充：
· strchr 是一个字符串处理函数，其用于在一个字符串中查找某个字符的第一次出现的位置。
· 其中，str是要进行查找的字符串，character是要查找的字符。函数返回指向第一次出现字符 character 的指针，如果未找到，则返回空指针（NULL）。

实例3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)。

实例4:

// 计算BinarySearch的时间复杂度？(二分查找）
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);//对于整数来说，右移一位的效果是将其除以2
        if (a[mid] < x)
            begin = mid+1;
        else if (a[mid] > x)
            end = mid-1;
        else
            return mid;
    }
 
    return -1;
 }

执行次数：

实例4基本操作执行最好1次，最坏O(logN)次，时间复杂度为 O(logN) ps：logN在算法分析中表示是底
数为2，对数为N。有些地方会写成lgN。

实例5:

// 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);
 }

执行次数：

实例5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)。

3.空间复杂度

3.1空间复杂度

1.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额外占用存储空间大小的量度 。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（注意这里是额外占用的空间）。

3.2空间复杂度计算举例

实例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;
 }
 }

实例1使用了常数个额外空间，所以空间复杂度为 O(1)

实例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;

实例2动态开辟了N个空间，空间复杂度为 O(N)

实例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;
 }

实例3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)

补充：空间是可以重复调用的。例如还是前面那个斐波那契数：

// 计算斐波那契递归Fib的空间复杂度？
long long Fib(size_t N)
 {
    if(N < 3)
        return 1;
    
    return Fib(N-1) + Fib(N-2);
 }