【数据结构】时间和空间复杂度

前言：

小编在我完成基础语法知识后，将开始数据结构之旅，希望多多支持。

1.如何衡量算法好坏 

小编认为衡量算法的好坏，主要是看算法的效率之时间复杂度和空间复杂度。

2.算法效率

算法效率分析分为两种：第一种是时间效率，第二种是空间效率 。 时间效率被称为时间复杂度 而空间效率被称作 空间复杂度 。 时间复杂度主要衡量的是一个算法的运行速度，而空间复杂度主要衡量一个算法所需要的额外空间。

3.时间复杂度

3.1.时间复杂度概念

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数学函数，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。算法中的基本操作的执行次数，为算法的时间复杂度。

3.2.大O渐进的表示法

如下代码：

        int N=9;
        int count = 0;
        for (int i = 0; i < N; i++) {
            for (int j = 0; j < N; j++) {
                count++;
            }
        }
        for (int k = 0; k < 2 * N ; k++) {
            count++;
        }
        int M = 10;
        while ((M--) > 0) {
            count++;
        }
        System.out.println(count);
    }

 代码执行次数是（N^2+2*N+10）

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。

3.3.大O渐进法的计算

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。

那么用大O渐进法表示上述代码的时间复杂度是O（ N^2）

通过上面举例我们发现大O渐进法帮我们去掉了对我们影响不大的项，简化了时间复杂度的表达方式。

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 )

但是一般以最坏的情况来表示。

3.4.常见的时间复杂度

代码一：

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);
}

此时就是：2*N+10；那么按照大O渐进法来算，去掉底次项，以及高次项的常数，其时间复杂度是O（N）。

代码二：

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);
}

此时就是：M+N；那么大O渐进法，保留两个高次项后为：O（M+N）;

代码三：

void func4(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {
count++;
}
System.out.println(count);
}

此时就是：100；那么按照大O渐进法来说，将常数变为1，保留高次项后且其常数项变为1，所以这段代码的时间复杂度就是O（1）；

代码四：

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;
            }
        }
    }

此时就是:因为每次内部循环的条件都要减去1，所以就有一下表达式；

N+(N-1)+(N-2)+(N-3)+............(N-(N-1))+(N-N)，求和后：N^2/2;所以根据大O渐进法，这段代码的时间复杂度是O（N^2）；

代码五：

 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;
    }

如图所示：代码的执行次数如上，通过过折纸查找的方式：

 

所以时间复杂度为：O（x）.

代码六：

long factorial(int N) {
return N < 2 ? N : factorial(N-1) * N;
}

 此段代码，分析发现基本操作递归了N次，时间复杂度为O(N)。

代码七：

int fibonacci(int N) {
return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2);
}

如上图：分别执行1次，2次，4次，.........,2^N;

所以等比数列求和：为2^N-1;所以根据大O渐进法，保留高次项后，此段代码的时间复杂度为

O（2^N）；

4.空间复杂度

空间复杂度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时间复杂度类似，也 使用大 O 渐进表示法 。

 代码一：

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;
        }

使用了常数个额外空间,所以空间复杂度为O（1）；

代码二：

int[] fibonacci(int n) {
    long[] fibArray = new long[n + 1];
    fibArray[0] = 0;
    fibArray[1] = 1;
    for (int i = 2; i <= n ; i++) {
        fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
    }
    return fibArray;

动态开辟了N个空间，所以空间复杂度为O（N）； 

5.总结

限于小编能力有限，肯能有些地方讲解有误，希望各位uu提出宝贵意见。

制作不易，点个小小的赞吧；