一、时间复杂度、空间复杂度
时间复杂度
若存在函数 f(n),使得当n趋近于无穷大时,T(n) / f(n)的极限值为不等于零的常数,则称 f(n)是T(n)的同数量级函数。
记作 T(n) = O( f(n)),称O( f(n))为算法的渐进时间复杂度,简称时间复杂度。
通俗的说:
把程序执行的时间函数 T(n) 简化为一个数量级,这个数量级可以是 常数、n、n^2 、n^3等。
n为数据的规模,即数据量多少。
如何推导出时间复杂度呢?有如下几个原则:
- 如果运行时间是常数项量级,用常数1表示;
- 只保留时间函数中的最高阶项;
- 如果最高阶项存在,则省去最高阶项前面的系数。
示例:
- T(n) = 3n,最高阶项为3n,省去系数,转化的时间复杂度为:
T(n) = O(n)
- T(n) = 5logn,最高阶项为5logn,省去系数,转化的时间复杂度为:
T(n) = O(logn)
- T(n) = 2,常数项量级,转化的时间复杂度为:
T(n) = O(1)
- T(n) = 0.5n^2 + 0.5n,最高阶项为0.5n^2,省去系数0.5,转化的时间复杂度为:
T(n) = O(n^2)
这4种时间复杂度排序,当n的取值足够大时:
O(1) < O(logn) < O(n) < O(n^2)
从左往右耗时逐渐增大。
空间复杂度
在时间复杂度相同的情况下,算法占用的内存空间的大小称之为空间复杂度。(space complexity)
S(n) = O(f(n))
占用的内存空间越大,空间复杂度也就越大。
常见的空间复杂度:
1、常量空间
即算法占用内存大小始终固定;
2、线性空间
当算法分配的空间是一个线性的集合(如数组),并且集合大小和输入规模n成正比时,空间复杂度记作O(n)。
3、二维空间
当算法分配的空间是一个二维数组集合时,并且集合的长度和宽度都与输入规模n成正比时,空间复杂度记作O(n^2)。
4、递归空间
递归函数。