算法时间复杂度&&空间复杂度

时间复杂度

算法的时间复杂度是算法的基石，那么到底什么是时间复杂度呢？
顾名思义，就是描述程序运行时间的一种指标，只不过，我们在程序中都是使用大O表示法，没错也就是你经常看到的O（n）之类的表示方法，即 T(n) = O(f(n))。
先来看一段例子：

for(int i = 0;i < n;i++)
{
	std::cout<<"aaa"<<endl;
}

比如这样的它的时间复杂度就是O(n)
再比如：

for(int i = 0;i < n;i++)
{
	for(int j = 0;j < n;j++)
	{
		std::cout<<"aaa"<<endl;
	}
		
}

这样的就是O(n2)。
那应该怎么算呢，其实就是数代码运行的次数。
常用的时间复杂度有：

• 常数阶O(1)

• 对数阶O(logN)

• 线性阶O(n)

• 线性对数阶O(nlogN)

• 平方阶O(n²)

• 立方阶O(n³)

• K次方阶O(n^k)

• 指数阶(2^n)
  注意一点，当你算出一个复杂度的时候，要有数学上的极限思想，比如n+1那就取n，n^2+n+1就取n2,总之就是取高阶项，连系数也是忽略的。

空间复杂度

空间复杂度 O(n)算法在计算机存储器上占用的空间包括三个部分。

• 输入输出

算法的输入输出数据所占用的存储空间是由要解决的问题决定的，是通过参数表由调用函数传递而来的，它不会随算法的不同而改变。这不是我们需要考虑的部分。

• 算法本身

存储算法本身所占用的存储空间与算法书写的长短成正比，要压缩这部分存储空间，就必须编写出较短的算法。然而，算法想要实际应用需要根据需求采取不同的编程语言来实现，不同编程语言实现的代码长短差别很大，然而存储空间都在可接受范围之内（通常不同编程语言的效率更受关注）。

• 运行临时占用

根据算法在运行过程中临时占用存储空间的不同，可以将算法分为两类。

1. 原地算法（in-placealgorithm）：只需要占用少量的临时工作单元，而且不随问题规模的大小而改变，我们称这种算法是“就地”进行的，是节省存储的算法。

2. 非原地算法（not-in-place）：需要占用的临时工作单元数与解决问题的规模n有关，它随着n的增大而增大，当n较大时，将占用较多的存储单元。
   算法临时占用空间是考虑算法空间复杂度时主要考虑的部分。相比于随着问题输入规模扩大而扩大的非原地算法，原地算法是更加简洁高效的算法（仅考虑空间复杂度时）。

int[] m = new int[n]
for(i=1; i<=n; ++i)
{
   j = i;
   j++;
}

这段代码中，第一行new了一个数组出来，这个数据占用的大小为n，这段代码的2-6行，虽然有循环，但没有再分配新的空间，因此，这段代码的空间复杂度主要看第一行即可，即 S(n) = O(n)

常用排序算法的时间空间复杂度