空间复杂度的相关知识---LingY

LY_LJL

已于 2023-12-02 11:07:04 修改

阅读量879

点赞数 23

文章标签：数据结构

于 2023-12-02 11:02:00 首次发布

本文链接：https://blog.csdn.net/LY_LJL/article/details/134747521

版权

空间复杂度

上个文章，我们讨论了有关时间复杂度的一些知识，在时间复杂度之外，还有一个复杂度，叫做空间复杂度。

算法的空间复杂度S（n）定义为该算法所耗费的存储空间，它是问题规模n的函数。记为

S（n）=O（g（n））；

其中，n为问题的规模，g（n）是语句关于n所占存储空间的函数。

我们先将视野投入到《大话数据结构》这本书中，它说：在一班般的情况下，一个程序在机器上执行的时候，除了需要存储程序本身的指令，常数，变量和输入数据外，还需要存储对数据操作的存储单元。

O(1)空间复杂度的例子

针对于上面说的存储程序本身的指令等数据，作为一个初学者，我又参考了线上的公开课程

从上图看一个算法所需要的内存空间，首先是与问题规模无关，大小固定的一些程序代码的保存，剩下的需要存储一个局部变量i和参数n，这两个只是一个int类型大小的数据，总共也只占八个字节，并不需要跟随n的变化而使得我们的内存开辟进行变化，所以算法运行多需要的内存空间是一个固定的常量，算法的空间复杂度也就是为O（1）。

O（n）空间复杂度的例子

而我们将视野投放到下一张图

这张图显示的代码，我们需要保存的就不仅仅是程序代码和几个int类型的数据了，我们需要开辟一个大小为4*n字节大小的数组，所以我们的内存存储空间大小并不固定，要随着n的变化而变化，所以上述代码的空间复杂度即为O（n）。

我们对上面知识的总结可以得知:

若输入数据所占空间只取决于问题本身，和算法无关，这样只需要分析该算法在实现时所需要的辅助单元即可。

若算法执行时所需要的辅助空间相对于输入数据量而言是个常数，则称次算法为原地工作，空间复杂度为O（1）。

关于我所理解的O（1）是，在原地工作，比如有关一个数组的调整，如果我们新开一个同样大小的数组进行修改好再将数组拷贝过去，这样的空间复杂度就是O（N），而如果我们是直接在原来数组上进行修改，我们就可以说这个算法的空间复杂度是O（1）。

函数递归的空间复杂度

我们对于函数递归的空间复杂度的计算，我们首先需要知道的是对于空间，我们是可以重复利用的，对于时间，我们却是不可以进行重复利用的。

对于空间的重复利用我们可以怎么理解呢？？相信大家都住过宾馆吧，对于宾馆的某一间房间我们在退房后，酒店是不是可以再次将房间进行出租，让别人进行使用，对于空间的重复利用，我们也可以进行这样的理解。

通过上图，我们可以看到，对于两个不同的函数调用，使他们生成一个变量，然后再对于这个变量的存储地址进行打印，我们可以看出，它们打印出来的地址都是一样的，这也证明了我们所说的，对于空间，我们是可以进行重复利用的。

理解了上述对于空间可以重复利用的观点，我们可以看一眼下面关于函数递归的空间复杂度

上图对于斐波那契数列的空间复杂度，有的认为是O（2^n），但是我们刚刚已经讲过了，空间是可以重复利用的，函数递归会一直递归，递归到最深层，然后完成了这层递归后进行返回，释放掉底层递归所占用的空间后，再给别的函数递归进行使用，

如上图，我们一直递归到Fib（2），然后进行返回，返回到Fib（3）后，再进行旁边的Fib（1）的递归，因为在返回到Fib（3）的时候，Fib（2）所占用的空间已经被释放，给予了Fib（1）。所以其实空间并没有进行简单的叠加，而是进行了重复的利用。

所以，斐波那契的函数递归的空间复杂度是O（N）。

空间换时间

知道了检验一个算法的好坏，我们引用了时间复杂度与空间复杂度。在空间可以重复利用，而时间不能重复利用的前提下，我们可以适当的用空间来换取时间。例如下面这个问题：

对于这个题，我们会有几个想法对它进行实现，分别是

对于思路一，我们是一次一次进行操作，在原数组的情况下，我们可以将数组一个个进行右移一位，对于k次的旋转，假如是数组N的倍数，我们可以对这个数组不进行任何处理，这是这个问题下最好的情况，而最坏的情况呢，假如K%N=N-1的条件下，我们可以对其进行时间复杂度大概计算，计算出这个算法所需要的时间复杂度是O（N）。

我们可不可以将时间复杂度降低呢？答案肯定是毋庸置疑的，在节省时间的条件下，我们就需要去开辟一些新的空间，来辅助我们完成我们的目标。