时间复杂度和空间复杂度

1.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。 

2.大O的渐进表示法

我们在计算算法的时间复杂度的时候，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。这里就运用了大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。

看一个例子：

 

计算++count执行的次数：

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

N = 10 F(N) = 130

N = 100 F(N) = 10210

N = 1000 F(N) = 1002010

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，所以上段代码的时间复杂度为O(N)。

3.时间复杂度

3.1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，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。

3.2常见时间复杂度计算

1.

 

实际执行了F(N) = N*2 + 10次，根据大O渐进表示法表示为O(n)。 

2.

 

实际执行次数是F(N)  = M + N次，根据大O渐进表示法表示为O(M+N)。

3.

 

实际执行次数F(N ) =  100次，根据大O渐进表示法表示为O(1)。 

 4.

 

冒泡排序最好情况的执行次数N次，最坏的情况的执行次数是((N+1)*N)/2次。根据大O渐进表示法， 一般关注的是算法最坏的情况，所以时间复杂度是O(N^2)。

5.

 

执行次数最好1次，最坏O(logN)次，时间复杂度为 O(logN)。

6.

 

 函数调用一次是O(1)，递归次数是N次，所以时间复杂度是O(N)。

7.

这段代码不太好理解，看图解：

 

4.空间复杂度 

4.1概念

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。 

4.2常见的空间复杂度计算 

 1.

 上面代码使用了常数个额外空间，所以空间复杂度为 O(1)。

2.

 

上面代码动态开辟了N个空间，空间复杂度为 O(N) 。

3.

这段代码你很容易会认为空间复杂度是O(2^N)。其实真正的答案是O(N)。这是因为函数在调用的时候，函数栈帧的空间是重复利用的。