算法复杂度详解

算法复杂度详解

在本篇文章中你将了解到：

• O(1),O(n),O(logn),O(nlogn)…的区别及分析方法

• 时间复杂度的优劣对比

  首先o(1), o(n), o(logn), o(nlogn)是用来表示对应算法的时间复杂度,这是算法的时间复杂度的表示。不仅仅用于表示时间复杂度，也用于表示空间复杂度。

算法复杂度分为时间复杂度和空间复杂度。其作用：

• 时间复杂度是指执行这个算法所需要的计算工作量；
• 空间复杂度是指执行这个算法所需要的内存空间；

O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。

O(1),O(n),O(logn),O(nlogn)…的区别及分析方法

1. 时间复杂度为O(n)—线性阶，就代表数据量增大几倍，耗时也增大几倍。比如常见的遍历算法。

//循环遍历N次即可得到结果
count = 0;
for(int i = 0;i < 10 ; i ++){
	count ++;
}

2. 时间复杂度O(n^2)—平方阶, 就代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。比如冒泡排序，就是典型的O(n x n)的算法，对n个数排序，需要扫描n x n次。

 for(int i =1;i<arr.length;i++) { //遍历n次
    for(int j=0;j<arr.length-i;j++) {//遍历n-1次
       if(arr[j]>arr[j+1]) {
              int temp = arr[j];
              arr[j]=arr[j+1];
              arr[j+1]=temp;
         }
     }    
}
//整体复杂度n*(n-1)

3. 时间复杂度O(logn)—对数阶，当数据增大n倍时，耗时增大logn倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）。二分查找就是O(logn)的算法，每找一次排除一半的可能，256个数据中查找只要找8次就可以找到目标。

   int count = 1;
   while(count < n)
   {  
    
      count = count*2;
      //时间复杂度O（1）的程序步骤序列
      ......
    
   }
   

由于每次count成衣2之后，就距离n更近了一分。也就是说，有多少个2相乘后大于n，则会退出循环。由2^x=n 得到x=logn。所以这个循环的时间复杂度为O（logn）.

  ```js
  int binarySearch(int a[], int key) {
      int low = 0;
      int high = a.length - 1;
      while (low <= high) {
          int mid = low + (high - low) / 2;
          if (a[mid] > key)
              high = mid - 1;
          else if (a[mid] < key)
              low = mid + 1;
          else
              return mid;
      }
      return -1;
  }
  
  ```

4. 时间复杂度O(nlogn)—线性对数阶，就是n乘以logn，当数据增大256倍时，耗时增大256*8=2048倍。这个复杂度高于线性低于平方。归并排序就是O(nlogn)的时间复杂度。

5. O(1)—常数阶：最低的时空复杂度，也就是耗时与输入数据大小无关，无论输入数据增大多少倍，耗时/耗空间都不变。 哈希算法就是典型的O(1)时间复杂度，无论数据规模多大，都可以在一次计算后找到目标。

   index = a;
   a = b;
   b = index;
   //运行一次就可以得到结果
   
   

   时间复杂度的优劣对比

   O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3)< O(2^n) < O(n!) < O(n^n)