【Java数据结构】读懂时间复杂度与空间复杂度（详细图文版）

【一线大厂Java面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义】

**开源地址：https://docs.qq.com/doc/DSmxTbFJ1cmN1R2dB **

count++;

}

}

for (int k = 0; k < 2 * N ; k++) {

count++;

}

int M = 10;

while ((M–) > 0) {

count++;

}

System.out.println(count);

}

请计算一下func1基本操作执行了多少次？

Func1 执行的基本操作次数 ：

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。

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的渐进表示法以后，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)

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，常见时间复杂度计算举例

---

void func2(int N) {

int count = 0;

for (int k = 0; k < 2 * N ; k++) {

count++;

}

int M = 10;

while ((M–) > 0) {

count++;

}

System.out.println(count);

}

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++;

}

System.out.println(count);

}

void func4(int N) {

int count = 0;

for (int k = 0; k < 100; k++) {

count++;

}

System.out.println(count);

}

void bubbleSort(int[] array) {

for (int end = array.length; end > 0; end–) {

boolean sorted = true;

for (int i = 1; i < end; i++) {

if (array[i -1] > array[i]) {

Swap(array, i - 1, i);

sorted = false;

}

}

if (sorted == true) {

break;

}

}

}

int binarySearch(int[] array, int value) {

int begin = 0;

int end = array.length - 1;

while (begin <= end) {

int mid = begin + ((end-begin) / 2);

if (array[mid] < value)

begin = mid + 1;

else if (array[mid] > value)

end = mid - 1;

else

return mid;

}

return -1;

}

long factorial(int N) {

return N < 2 ? N : factorial(N-1) * N;

}