数据结构-算法复杂度

一、算法的时间复杂度

1、基本概念

一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数f(n)，整个算法的执行时间与该基本操作重复执行的次数城正比。随着问题规模的增大，算法 执行时间的增长率与和f(n)的增长率相同，称作算法的 渐近时间复杂度（asymptotic time complexity），简称 时间复杂度。

2、时间复杂度的表示

时间复杂度表示为 T(n) = O(f(n))，其中n表示问题规模。

3、时间复杂度的常见分类

• 常数阶 O(1)
• 对数阶 O(log2n)
  
• 线性阶 O(n)
• 线性对数阶 O(nlog2n)
• 平方阶 O(n^2)
• 立方阶 O(n^3)
• k次方阶 O(n^k)
• 指数阶 O(2^n)

4、示例

例1：常数阶

{
   x++;
}

T(n) = O(1)

例2：线性阶:

for (int i = 0 ; i < n ; i++)
{
   x++;
}

T(n) = O(n)

例3：平方阶

//冒泡算法
for (int i = 0 , change = true ; i < n ; i++)
{
   change = false;
   for (int j = 0 ; j < n - i - 1 ; j++)
   {
      if (a[j] > a[j + 1])
      {
          a[j] <--> a[j + 1];
          change = true;
      }
   }
}

T(n) = O(n^2)

例4：时间推算

若两个10 * 10 矩阵运算耗时12ms，则又时间算法复杂度T(n) = O(n^3)，两个31 * 31的矩阵相乘耗时为(31^3/10^3) * 12ms = 358ms

二、算法的空间复杂度

1、基本概念

算法的 空间复杂度是指运行完该算法的实现代码所需内存大小。

2、空间复杂度的表示

空间复杂度表示为 S(n) = O(f(n))，其中n表示问题规模。