如何计算时间复杂度和空间复杂度

看B站UP主 图灵星球TuringPlanet 的视频做的笔记，原视频： 时间复杂度和空间复杂度，大O表示法【数据结构和算法入门2】
做完笔记发现原作者有详细文字教程：文字教程 ，于是又参考人家的教程将自己的笔记完善和修改了一下。

时间复杂度

        一个算法的执行时间受很多因素的影响，（例如执行算法的机器的好坏），所以我们不能仅依靠算法的执行时间来判断算法的好坏。因此我们用“大O表示法”来描述算法的渐进时间复杂度：
$$T(n)=O(f(n))$$
其中$T(n)$表示渐进时间复杂度，$f(n)$表示代码执行次数，$O$表示正比例关系。

两个例子

栗子1

for(let i=1;i<=n;i++)
	x++;

上面这段代码的执行次数为 $(2+3N)$ 次：

• $i=1;\to$ 执行$1$次；
• $i<=n$，$x++$，$n++;\to$ 执行$N$次，共执行$3N$次；
• 最后还要执行一次 $i<=n$.

所以时间复杂度为：$O(2+3N)=O(N)$。

【问：为什么这样简化？】
【答：因为$O$计算的是在$N$趋于$+\infty$时的情况，所以常数$2$和倍数$3$就没有意义了。】

计算复杂度时，取最高次项，并去掉该项的次数

栗子2

for(let i=1;i<=n;i++)
	x++;
for(let i=1;i<=n;i++)
	for(let j=1;j<=n;j++)
		x++;

时间复杂度：$O(N+N^2)=O(N^2)$。【当$N\to +\infty$时，$N$远小于$N^2$】

常用的时间复杂度：

• 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 $O(n^2)$
• 立方阶 $O(n^3)$
• K次方阶 $O(n^k)$
• 指数阶 $O(2^n)$
• 阶乘 $O(n!)$

时间复杂度从上到下越来越大，即执行效率越来越低。

线性阶 $O(1)$

只要没有循环或递归等复杂逻辑，无论代码执行多少行，复杂度都为$O(1)$。

let x=0;
let y=1;
let temp=x;
x=y;
y=temp;

上述代码执行时，消耗的时间不会随着特定变量的增长而增长，即使有几万行这样的代码，我们都可以用$O(1)$来表示它的时间复杂度。

常数阶 $O(n)$

栗子1。

对数阶 $O(logn)$

let i=1;
while(i<n)
	i*=2;

分析：计算跳出循环需要执行多少次。 $2^k=n\to k=lo{g}_{2}n$，因此复杂度为$O(logn)$。

线性对数阶 $O(nlogn)$

for(let i=0;i<=n;i++){
    let x=1;
    while(x<n){
        x*=2;
    }
}

分析：while外面加了一层 $n$ 次循环，所以复杂度为：$O(nlogn)$ 。

平方阶 $O(n^2)$

for(let i=0;i<=n;i++){
    for(let j=0;j<=n;j++)
        x++;
}

分析：很容易得知复杂度为$O(n^2)$。

• 如果把第二层循环中的 $n$ 换为 $m$， 则复杂度为：$O(nm)$。
• 同理，如果是三层循环，那么复杂度为：$O(n^3)$。如果是 $k$ 层循环，复杂度为：$O(n^k)$。

空间复杂度

空间复杂度：算法所需的内存空间增长的趋势。

常用的空间复杂度：

• $O(1)$ 、 $O(n)$ 、 $O(n^2)$。
• 空间复杂度用$S(N)$代表。

$O(1)$空间复杂度

如果算法执行所需要的临时空间不随着某个变量n的大小而变化，则算法空间复杂度为一个常量，可表示为 O(1)：

let x = 0;
let y = 0;
x++;
y++;

$O(n)$空间复杂度

这段代创建了一个长度为 $n$ 的数组，在循环中为其中的元素赋值。因此，这段代码的「空间复杂度」取决于 array 的长度，也就是 $n$，所以 $S(n)=O(n)$ 。

var array = new Array(n);  // n是数组长度
for(let i=0;i<n;i++)
    array[i]=i;

$O(n^2)$空间复杂度

给一个 $n\times n$ 的矩阵赋值时，空间复杂度为 $O(n^2)$ 。