时间复杂度
时间复杂度:表示代码执行时间随数据规模增长的变化趋势。一般会去掉系数和常量
公式:T(n)=O(f(n))
T(n)表示代码执行的时间
n表示数据规模的大小
f(n)表示每行代码执行的次数总和
O表示代码执行时间T(n)与f(n)表达式成正比
分析方法:
1.只关注循环执行次数最多的一段代码
2.加法法则:总复杂度等于量级最大的代码的复杂度
3.乘法法则:嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
常见量级:
常量阶O(1)、对数阶O(logN)、线性阶O(n)、线性对数阶O(nlogN)、平方阶O(n²),立方阶O(n³)、指数阶、阶乘
NP问题:时间复杂度为非多项式量级的算法问题(阶乘O(n!)、指数O(2的n次方))
空间复杂度
空间复杂度:表示算法的存储空间与数据规模之间的增长关系。
一般指的是算法中使用到的空间存储变量大小
常见的:O(1),O(n),O(n²)
四种情况
最好、最坏、平均、均摊(少见)
最好:理想情况下执行代码的时间复杂度
最坏:最糟糕的情况下执行代码的时间复杂度(比如给倒序数组正序排序)
平均:就是各种情况发生概率的期望值
均摊:通过摊还分析得到的时间复杂度