时间复杂度和空间复杂度

时间复杂度

度量程序执行时间的两个方法

1. 事后统计，根据算法的实际运行时间来分析
   问题
   * 过度依赖计算机的硬件设施，无法体现出算法的优越性
   * 需要程序完全运行才能比较，花费过多时间
2. 事前估算，根据算法的时间复杂度来计算

时间频度T（n）

1.基本介绍：* 一个算法中语句执行的次数称之为时间频度 *
一个算法花费的时间与算法中语句执行的次数成正比例，即那个算法执行的语句次数越多，那就花费时间越多

• 例子：100的累加，一种从一加到一百,随着你输入的n的增大，语句的执行次数逐渐增大

 sum = 0;
 for(int i = 0;i <= 100; i ++）{
 	sum = sum + i;
 	}

另一种，用公式来说，无论你要计算的数字由多大，最后都时运行一次

sum = (1 + i ) * i / 2;

2.计算说明

• 忽略常数项：
• 忽略低次项：
• 高次项的系数可以忽略：

时间复杂度

1. 基本价绍：如果存在函数f（n），使得当n趋于无穷大时，T（n）/f（n）为非零的常数，，那么f（n）就是和T（n）同数量级的函数，记作T（n） = O（f（n）），O（f（n））称渐进时间复杂度，简称时间复杂度。

2. 计算方法：用常数项代替所有时间频度T（n）中的常数项——》只保留最高次项——》最高次项的系数
   T（n） = 2n² + 7n + 9
   ——》 T（n） =2 n² + 7n + 1
   ——》 T（n） = 2n²
   ——》 T（n） = n²,
   其中n²即为对应的时间复杂度。
   时间频度不同，他的时间复杂度可能相同

3. 常见的时间复杂度：

   • 常数阶，O（1）：没有循环，递归等复杂结构，运行的时间不随着变量的增长而增长,无论其中的变量怎么变，都只是运行固定的次数

 int i = 1;
   i ++;

• 对数阶，O（log2 n）： 2^x > n,运行次数为2的X次方，指的就是这个，底数取决于是几次方

int i = 1;
   while(i < n){
   		i = i * 2;
   	}

• 线性阶O（n）：常见的是for（）循环中的迭代,运行几次取决于你要输入n，

 int j = 1;
   for(int i = 0;i < n ;i ++){
   		j ++;
   }

• 线性对数阶O（n log N）:for循环代表的是线性阶，运行次数直接取决于你输入的n，while循环对应的是对数阶，嵌套在for循环中，就执行了n次，n * O（log N），执行了n次log循环

for(int m = 1;m < n;m ++){
   		int i = 1;
   		while(i < n){
   			i = i * 2;
   		}
   	}

• 平方阶O（n²）:双层嵌套的for循环
  int sum = 0;

 for(int i = 0; i < n;i ++){
   		for(int j = 0;j < n;j ++){
   				sum ++;
        	}
      }	

• 立方阶O（n³）:参照平方阶
• K次方阶O（n^k）:参照平方阶，还记得递归吗？

上述按照对应的从上往下的顺序，时间复杂度，依次增加。

平均时间复杂度和最坏时间复杂度

1. 基本介绍：
   • 平均时间复杂度：所有可能的输入实例等可能的出现时的运行时间
   • 最坏时间复杂度：就是运行时间最长的情况
2. 二者关系：取决于你的算法
3. 以排序算法为例

排序法	平均时间复杂度	最坏时间复杂度	备注
冒泡	O（n2）	O（n2）	n小时比较好
交换	O（n2）	O（n2）	n小时比较好
选择	O（n2）	O（n2）	n小时比较好
插入	O（n2）	O（n2）	当大部分已经排序好再插入排序较好
基数	O（logR B）	O（logR B	B是真数，R是基数
Shell	O（n log n）	O（ns） 1<s<2	s是所选分组,n较大时好
快速	O（n log n）	O（n2）	n较大时好
归并	O（n log n）	O（n log n）	n较大时好
堆	O（n log n）	O（n log n）	n较大时好

空间复杂度

基本介绍：程序运行时所占用的存储空间，定义以及算法同时间复杂度，都是n的函数
注：用户体验上更多是追求执行速度，运行时间，一些缓存产品和算法本质上有使用空间缓缓时间