深入浅出理解：算法的时间复杂度和空间复杂度

算法的时间复杂度和空间复杂度（一）

——算法复杂度之时间复杂度

一、 前言 算法效率

如何衡量一个算法的好坏？ 让我们来看一下斐波那契数列：

long long Fib(int N) 
{
	if (N < 3)
		return 1;
	
	return Fib(N - 1) + Fib(N - 2);
}

斐波那契数列的递归实现方式看上去非常简洁吧 ，但简洁就代表效率高了吗？

下面就让我们来探讨一下到底怎样才是效率高

---

二、算法的复杂度

算法的复杂度一般取决于两个维度：时间维度，空间维度。

• 时间复杂度：衡量算法的运行快慢 运行所需时间
• 空间复杂度：衡量算法运行所需开辟的额外空间

在计算机发展的早期 ，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。

---

2.1 时间复杂度

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。但是我们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法的时间复杂度

[即：找到某条基本语句与向题规模之间的数学表达式、就是算出了该算法的时间复杂度]

脱离实际的运行环境和硬件环境的情况下，比较其性能，才能真正评出算法效率优劣。

\\计算一下下列函数中++count语句总共执行了多少次
void Func1(int N) {
	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--) {
		++count;
	}

	printf("%d", count);
}

Func1执行的基本操作次数：
$$F(N)=N^2+2\ast N+10$$

• N=10 F(N)=130
• N=100 F(N)=10210
• N=1000 F(N)=1002010

---

实际我们我们计算时间复杂度时，并不一定要计算精确的执行次数

不知大家是否还记得上初中的一道非常经典的数学题

$$(n-1）/n$$
$$n—>\infty$$

结果会是多少呢

当n接近于无穷大时，1与之相比相差悬殊，可以忽略不计了
$$\approx n/n=1$$

还有高中时期的一道经典数学题

关于小数点
$$\mathrm{0.31415926.......}$$
真正起决定作用的只有前几位，而后面那几位0.00000…太小了，完全可以忽略不记了

所以只需要计算出真正对大小起决定性作用的部分，大概执行次数，因此就有了 " 大O的渐进表示法 "

---

三、大O的渐进表示法 : 抓大头（取起决定性作用的部分）

大O符号（Big O notation）：是用于描述函数渐近行为的数学符号

推导大O阶方法
理解：

1. 用常数1取代运行时间中的所有加法常数

   O（1）不是代表只执行了1次，而是代表常数次
   (cpu处理1万亿的数值，和处理数值1 的时间一样快)

2. 用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

   相乘的常数与次方相比 可省略

得到的结果就是大O阶。

★☆★推导大O阶方法与经验总结：

• 常数都当成1，只保留最高阶项，最高阶的系数去掉
• 有循环算循环，没有循环当常数即可

---

通过大O渐进表示法，我们前面的例题Func1的时间复杂度为：
$$O(N^2)$$

• N=10 F(N)=100
• N=100 F(N)=10000
• N=1000 F(N)=1000000

使用大O的渐进表示法，去掉那些对结果影响不大的项，结果也与原来的也大差不差，简洁明了的表示出了执行次数。**！本质计算的是属于哪个量级 **

！注意：在实际中一般情况关注的是算法的最坏运行情况

---

后续还会继续更新下半部分《算法复杂度（二）之空间复杂度》，若更新出会把博客文章的链接放在这里，
也会更新对于时间复杂度例题的讲解，引入更深入的思考与体会，敬请关注。