时间复杂度和空间复杂度

一个算法的好坏取决于其运行速度与所需要的额外空间，即时间复杂度与空间复杂度。
一个算法所花费的时间与其中语句的执行次数成正比例，算法中基本操作的执行次数，为算法的时间复杂度。
时间复杂度不用时间来衡量，而是用基本语句的执行次数来衡量，这是因为每个计算法执行语句的速度都是不一样的，一个算法放在不同的计算机上执行会出现不同的时间，从而用基本语句的执行次数来衡量时间复杂度。
计算时间复杂度的时候通常不用计算出精确的执行次数，而是只需要大概的执行次数，这里我们使用大O渐进表示法。
推导大O阶方法：
1.用常数1取代运行时间中的所有加法常数。
2.在修改后的运行次数函数中，只保留最高阶项。
3.如果最高阶存在且不是1，则去除与这个项目相乘的常数，得到的结果就是大O阶。
在计算时间复杂度的时候通常计算最差的情况，因为要考虑到最差情况发生，所以计算时间复杂度看的是最差情况。

二分查找的时间复杂度：
每找一次长度变成原长度的1/2，最好情况一次找到，最差情况logN次找到。所以时间复杂度为O（logN）。

递归求阶乘的时间复杂度：
递归一层一层向下递归，直到n为1的时候，递归返回，递归了n次，基本语句执行了n次，所以时间复杂度为O（N）。

递归斐波那契的时间复杂度：
递归斐波那契生成二叉树状的递归图形，每次递归生成两个子元素，一共递归2的n次方次。所以时间复杂度为O（2^n）。

空间复杂度是对一个算法运行过程中临时占用存储空间大小的量度。
空间复杂度与时间复杂度类似，都使用大O渐进表示法。通过计算算法运行中开辟的额外空间来计算空间复杂度。
普通函数的空间复杂度由开辟的额外空间决定，递归函数由递归调用的次数，开辟栈帧的个数和每个栈帧使用的空间决定。

递归斐波那契数列的时间复杂度和空间复杂度分析：

long long Fibonacci(size_t n) {
	if (n < 3) {
		return 1;
	}
	else {
		return Fibonacci(n - 1) + Fibonacci(n - 2);
	}
}

递归斐波那契生成二叉树状的递归图形，每次递归生成两个子元素，一共递归2的n次方次。所以时间复杂度为O（2^n）。
递归斐波那契数列开辟了N个栈帧，每个栈帧使用的空间为常数，所以空间复杂度为O（N）。
对其进行优化：

long long* Fibonacci(size_t n) {
	if (n == 0) {
		return NULL;
	}
	long long* fibarray = (long long*)malloc(n * 8 + 1);//主函数调用后释放
	fibarray[0] = 0;
	fibarray[1] = 1;
	for (size_t i = 2; i < n; ++i) {
		fibarray[i] = fibarray[i - 1] + fibarray[i - 2];
	}
	return fibarray;
}

此时时间复杂度为O（N），空间复杂度为O（N）。

常见时间复杂度：
冒泡排序法：O（N^2）
二分查找：O（logN）
阶乘递归：O（N）
斐波那契递归：O（2^N）