Java数据结构与算法——时间复杂度 空间复杂度

时间频度基本介绍
时间频度: 一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多，一个算法中的语句执行次数称为语句频度或时间频度，记为T(n)。

忽略常数项
结论: .

1. 2n+20和2n随着n变大，执行曲线无限接近，20可以忽略
2. 3n+10和3n随着n变大，执行曲线无限接近，10可以忽略
   忽略低次项
   结论:
3. 2n^2+3n+10和 2n^2随着n变大，执行曲线无限接近,可以忽略3n+10
4. n^2+5n+20和 n^2随着n变大，执行曲线无限接近,可以忽略5n+20

忽略系数

结论:

1. 随着n值变大， 5n^2+7n 和3n^2+2n，执行曲线重合,说明这种情况下，5和3可以忽略。
2. 而n^3+5n 和6n^3+4n，执行曲线分离，说明多少次方式关键

时间复杂度

1. 一般情况下，算法中的基本操作语句的重复执行次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数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。
2. T(n) 不同，但时间复杂度可能相同。如: T(n)=n2+7n+6 与T(n)=3n2+2n+2它 们的T(n)不同，但时间复杂度相同，都为0(n2)。
3. 计算时间复杂度的方法:
   用常数1代替运行时间中的所有加法常数T(n)=n2+7n+6 => T(n)=n2 +7n+1 修改后的运行次数函数中，只保留最高阶项T(n)=n2+7n+1=> T(n)= n2 去除最高阶项的系数T(n)=n2=> T(n)=n2=> 0(n2)

常见的时间复杂度
1)常数阶0(1)
2)对数阶0(log2n)
3) 线性阶O(n)
4) 线性对数阶0(nlog2n)
5) 平方阶0(n^2)
6) 立方阶0(n^3)
7) k次方阶O(n^k)
8)指数阶0(2^n)

说明:
常见的算法时间复杂度由小到大依次为: 0(1)<0(log2n)<o(n) <0(nlog2n)<0(n2)< <0(n3)< 0(nk) <0(2")，随着问题规模n的不断增大，上 述时间复杂度不断增大，算法的执行效率越低
算法的空间复杂度
1)类似于时间复杂度的讨论，一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间，它也是问题规模n的函数。
2)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。有的算法需要占用的临时工作单元数与解决问题的规模n有关，它随着n的增大而增大，当n较 大时，将占用较多的存储单元，例如快速排序和归并排序算法就属于这种情况
3) 在做算法分析时，主要讨论的是时间复杂度。从用户使用体验上看，更看重的程序执行的速度。一些缓存 产品和算法(基数排序)本质就是用空间换时间.