【数据结构】算法的时间复杂度和空间复杂度

时间复杂度主要衡量一个算法运行的快慢，而空间复杂度主要衡量一个算法运行所需的额外空间。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，所以我们现在也不用太关心空间复杂度。

时间复杂度

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，从理论上来说，是不能算出来的，只有你把你的程序放到机器上跑起来，才能知道。但是我们需要每个算法都上机测试吗？这样的话岂不是很麻烦，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，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。

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;
	}
}

操作次数为：

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

实际上我们计算时间复杂度的时，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，这里用大O的渐进表示法

大O的渐进表示法

大O符号：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
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。

通过上面我们会发现大O阶的渐进表示去掉了那些对结果影响不大的项，简介明了的表示出了执行次数。另外还有些算法的时间复杂度存在最好、平均、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）

在实际中一般情况下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)

常见的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);
}

时间复杂度为：O(N)

实例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);
}

时间复杂度为：O(N+M)

实例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);
}

时间复杂度为：O(1)

实例4：

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

这个函数我们之前没见过，具体功能如下：

所以时间复杂度为：O(1)

实例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;
	}
}

可以看到这是一个等差数列：最后的时间复杂度为O(N^2)

实例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;
	// [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);
		if (a[mid] < x)
			begin = mid + 1;
		else if (a[mid] > x)
			end = mid - 1;
		else
			return mid;
	}
	return -1;
}

时间复杂度是以2为低N的对数（经常允许写成O(logN)

实例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;
}

时间复杂度是O(N)

实例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);
}

实例9：

// 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 FibK(N - 1) + Fib(N - 2);
}

所以时间复杂度为2^N

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

中…(img-Nq38gZX6-1714273843823)]
[外链图片转存中…(img-j3ZEqrDj-1714273843823)]
[外链图片转存中…(img-7q27zFjc-1714273843824)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取