时间复杂度
时间复杂度即为代码的执行次数量级
算法的执行时间与输入之间的关系
O(1)
常量数量级的时间复杂度, 没有for循环和while循环
O(N)
常量不看,其中total=0
,return total
为常量执行次数
只有一层循环,循环的执行次数为N
O(logN)
常量不看,其中i=1
,return i
为常量执行次数
i=i*2
的执行次数为log2(N),舍去2,则最后结果为O(logN)
O(M+N)
同理常量次数不看
两个O(N),一个执行M次,一个执行N次
组合之后变成O(M+N), 实际上等同于O(N)
O(NlogN)
同理常量次数不看
N次执行次数的循环内嵌套了一个logN次执行次数的循环
总次数为二者相乘即为O(NlogN)
O(N2)
N次执行次数的循环内嵌套了一个N次执行次数的循环
总次数为二者相乘即为O(N2)
时间复杂度的判断方式
1 首先看有没有循环,没有则为常量次数O(1)
2 如果有,首先判断每一次循环的执行次数
3 循环之间的嵌套使用相乘的方式,得出最终的时间复杂度
各个时间复杂度之间的比较
O(1) < O(logN) < O(N) < O(NlogN) < O(N2) < O(2N) < O(N!)
二分查找:O(logN)
堆排序:O(NlogN)
冒泡排序:O(N2)
快速排序:O(N2)
选择排序:O(N2)
二叉树排序:O(N2)
插入排序:O(N2)
空间复杂度
算法的存储空间和算法的关系
占空间的都是声明出来的变量
O(1)
存储的变量为常数数量级
total
在初始化之后虽然在循环当中被重复赋值,但是始终只占用total的空间
所以存储的变量为常数数量级
O(N)
存储的数量级为N,循环的次数
数组的内的数字在不断增多,不断开辟新的内存空间
tip1
arrary = []
for num in nums:
array.append(num)
return arrary
空间占用分为堆空间和栈空间
在for循环中条件部分申明的变量 num
开辟的空间为栈空间
使用完毕就会释放
而其他变量使用的是堆空间,程序完成之后才会释放
tip2
递归的函数内本身的空间复杂度如果为O(1), 则调用递归的空间复杂度为O(N)
递归的函数内本身的空间复杂度如果为O(N), 则调用递归的空间复杂度为O(N2)
参考b站 饲养员 侵删