🌈 个人主页：白子寰
🔥 分类专栏：C++打怪之路，python从入门到精通，数据结构，C语言，C语言题集👈 希望得到您的订阅和支持~
💡 坚持创作博文(平均质量分82+)，分享更多关于深度学习、C/C++，python领域的优质内容！（希望得到您的关注~）
目录
算法(Algorithm)
在数据结构中，算法是解决问题或执行任务的一系列有序步骤。
它是一种有限的、确定性的、可执行的指令集，用于完成特定的任务，
例如数据的排序、搜索或管理。
算法特点
1. 有穷性：算法必须在执行有限步骤后结束。
2. 确定性：算法的每一步骤都必须有明确的定义，不会导致歧义。
3. 输入： 算法有0个或多个输入，这些输入是算法执行所需的初始数据。
4. 输出： 算法至少有一个输出，表示算法执行的结果。
5. 可行性： 算法的每一步都必须能够通过执行有限次数的基本操作来实现。
算法效率
算法的效率通常通过时间复杂度和空间复杂度来衡量，
时间复杂度表示算法执行所需时间与输入规模的关系，
空间复杂度表示算法执行所需的存储空间量。
选择或设计算法时，通常会考虑这些因素以优化性能。
这篇文章要解决的问题
导图
时间复杂度
是什么?
在数据结构中，时间复杂度是衡量算法执行所需时间的一个指标。
它描述了算法执行时间随输入数据规模增长的变化趋势，
通常用大O符号（Big O Notation）来表示。
如何使用大O表示法：
-
确定算法的执行步骤：分析算法中的循环、递归等结构，确定算法的执行步骤。
-
评估执行次数与输入规模的关系：确定算法中每一步或每一组步骤执行的次数与输入规模n的关系。
-
简化表达式：在大O表示法中，我们通常只保留最高次项，并去掉常数因子和低阶项，因为它们对算法的渐进行为影响较小。
-
确定上界：大O表示法关注的是算法性能的上界，即在最坏情况下的性能。
示例
假设有一个算法，其执行步骤可以表示为：
第一步执行10次 （常数时间操作）
第二步执行n次 （线性操作）
第三步执行n^2次（平方操作）
使用大O表示法，我们可以忽略第一步（因为它是常数时间操作），并简化为：
总时间复杂度：O(n^2)
这意味着算法的时间复杂度是平方级别的，与输入规模的平方成正比。
举例
样例①
// 请计算一下Func1基本操作执行了多少次？
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\n", count);
}
样例②
//计算Func2的时间复杂度：
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 2*N; ++k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}
样例③
//计算Func3的时间复杂度：
void Func3(int N, int M)
{
int count = 0;
for (int k = 0; k < M; ++k)
{
++count;
}
for (int k = 0; k < N; k++)
{
++count;
}
printf("%d\n", count);
}
样例④
//计算Func4的时间复杂度：
void Func4(int N)
{
int count = 0;
for (int k = 0; k < 100; ++k)
{
++count;
}
printf("%d\n", count + N);
}
样例⑤
//计算strchr的时间复杂度：
const char* strchr(const char* str, int character);
//strchr库函数：在str字符数组中查找一个字符这个的时间复杂度应分三种情况
①最好情况: 第一次就找了
②平均情况: 找的字符在整个的中间
③ 最坏情况: 最后一次才找到
样例⑥
//计算BubbleSort的时间复杂度：
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i - 1] > a[i])
{
Swap(&a[i - 1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
{
break;
}
}
} 
样例⑦
//计算BinarySearch的时间复杂度：
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n - 1;
// [begin, end]：begin和end是左闭右闭区间，因此有=号
while (begin <= end)
{
int mid = begin + ((end - begin) >> 1);
if (a[mid] < x)
{
begin = mid + 1;
}
else if (a[mid] > x)
{
end = mid - 1;
}
else
{
return mid;
}
}
return -1;
}二分查找的本质是:原有N个数,找一次范围缩小一半
最好的情况:
缩小第一次就找到了,(也就是这个数在中间值)
时间复杂度为O(1)
最坏的情况:
缩小多少次范围的一半,就找了多少次
设找了x次,所以 2^x = N
x = logN ,最坏的情况时间复杂度为O(logN)
样例⑧
//计算阶乘递归Fac的时间复杂度：
long long Fac(size_t N)
{
if (0 == N)
{
return 1;
}
return Fac(N-1)*N;
}
样例⑨
//计算斐波那契递归Fib的时间复杂度：
long long Fib(size_t N)
{
if (N < 3)
{
return 1;
}
return Fib(N - 1) + Fib(N - 2);
}
总结:
递归算法(时间复杂度):每次递归子函数消耗加起来
空间复杂度
是什么?
空间复杂度是一个用于描述算法在执行过程中所使用的额外空间（除了输入数据所占用的空间之外）的量度。
这里的“额外空间”通常指的是算法运行时的内存使用量。
所以空间复杂度计算的是变量的个数,也使用大O表示法
举例
样例①
//计算BubbleSort的空间复杂度：
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i - 1] > a[i])
{
Swap(&a[i-1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
{
break;
}
}
}
样例②
//计算Fibonacci的空间复杂度：
//返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
if (n==0)
{
return NULL;
}
long long* fibArray = (long long*)malloc((n + 1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray[i - 2];
}
return fibArray;
}
样例③
//计算阶乘递归Fac的空间复杂度：
long long Fac(size_t N)
{
if (N == 0)
{
return 1;
}
return Fac(N-1)*N;
} 
空间复杂度和时间复杂度的区别
| 时间复杂度 | 空间复杂度 |
| 算法执行所需的时间 | 算法执行所需的额外空间 |
***********************************************************分割线*****************************************************************************
完结！！！
感谢浏览和阅读。
等等等等一下，分享最近喜欢的一句话:“逆转时间的公式就是珍惜现在”。
我是白子寰，如果你喜欢我的作品，不妨你留个点赞+关注让我知道你曾来过。
你的点赞和关注是我持续写作的动力！！！
好了划走吧。
1804
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
