时间与空间复杂度

目录

一 . 算法效率

二.时间复杂度

1.概念：

三.空间复杂度

---

一 . 算法效率

算法效率分析分为两种：第一种是时间效率，第二种是空间效率。

时间效率被称为时间复杂度，而空间效率被称作空间复杂度。 时间复杂度主要衡量的是一个算法的运行速度，而空间复杂度主要衡量一个算法所需要的额外空间，在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。

二.时间复杂度

1.概念：

在计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。一个算法执行所耗费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法的时间复杂度。

在计算时间复杂度时，我们一般使用大O的渐进表示法来实现。

O（F（n））:如果n表示数据规模，那么O（F（n））表示算法所执行的指令数，与F（n）成正比。

大O符号：是用于描述函数渐进行为的数学符号。

推导方法：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、如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。

例子如下：

例1：

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--) > 0) {
   count++;
 }
System.out.println(count);
}

Func1 执行的基本操作次数 ：

 随着N的不断增大，后面的常数项对于整个算法来讲越来越可以忽略不计。（如Func1 所示，2N和后面的常数项可以忽略不计）

使用大O的渐进表示法以后，Func1的时间复杂度为：O(N^2)

例2：

// 计算func2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++;
}
System.out.println(count);
}

例2时间复杂度：O(M+N)

注意：若在算法中有两种以上的数据规模时，此时不能简单地替换，要保留所有的数据规模。

举个例子:邻接表实现的图进行遍历时O(V+E),V表示顶点个数，E表示边长。

例3:

void func3(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {
 count++;
}
System.out.println(count);
}

时间复杂度为：O(1)

例4：

// 计算bubbleSort的时间复杂度？
void bubbleSort(int[] array) {
 for (int end = array.length; end > 0; end--) {
   boolean sorted = true;
   for (int i = 1; i < end; i++) {
     if (array[i - 1] > array[i]) {
       Swap(array, i - 1, i);
       sorted = false;
     }
   }
   if (sorted == true) {
     break;
   }
 }
}

时间复杂度为：O(N^2)

例5：

// 计算binarySearch的时间复杂度
int binarySearch(int[] array, int value) {
 int begin = 0;
 int end = array.length - 1;
 while (begin <= end) {
   int mid = begin + ((end-begin) / 2);
   if (array[mid] < value)
     begin = mid + 1;
   else if (array[mid] > value)
     end = mid - 1;
   else
     return mid;
 }
 return -1;
}

时间复杂度为：O(logN)

当数据规模为N时，不断地在进行n/2，直到n/2 == 1时停止。

小技巧：若给定算法的数据规模为N，不断地进行除法操作(与除数无关)，终止条件直到除数 == 1或==0，该算法的时间复杂度都是O(logN).

例6：

// 计算阶乘递归factorial的时间复杂度
long factorial(int N) {
return N < 2 ? N : factorial(N-1) * N;
}

时间复杂度为：O(N)

例7：

// 计算斐波那契递归fibonacci的时间复杂度
int fibonacci(int N) {
return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2);
}

时间复杂度为：O(2^N)

总结：快速排序，归并排序的时间复杂度为NlogN.

           冒泡排序和选择排序时间复杂度为N^2.

有些算法的时间复杂度存在最好、平均和最坏情况：
最坏情况：任意输入规模的最大运行次数(上界)
平均情况：任意输入规模的期望运行次数
最好情况：任意输入规模的最小运行次数(下界)

三.空间复杂度

        空间复杂度是对一个算法在运行过程中临时占用存储空间大小的量度 ，空间复杂度算的是变量的个数。空间复杂度计算规则基本跟实践复杂度类似，也使用大O渐进表示法。（看一个算法的空间复杂度就是看该算法开辟了多少额外数组大小即可）

空间复杂度为两个值：O(1)   O(N)

例子1:  复杂的为O(1)

// 计算bubbleSort的空间复杂度
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
  boolean sorted = true;
  for (int i = 1; i < end; i++) {
    if (array[i - 1] > array[i]) {
      Swap(array, i - 1, i);
      sorted = false;
    }
  }
  if (sorted == true) {
    break;
  }
}
}

例子2:复杂度为O(N)

// 计算fibonacci的空间复杂度
int[] fibonacci(int n) {
long[] fibArray = new long[n + 1];
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; i++) {
 fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray;
}

注意：递归地运行需要额外开辟空间，每进行一次递归，操作系统就在系统栈上开辟一次栈帧空间。（递归函数的空间复杂度基本上都是O(N)）