杂文笔记（四）：算法的空间复杂度与时间复杂度

  算法的时间复杂度和空间复杂度：从耗费的时间资源和空间资源角度衡量不同算法的优劣。

时间复杂度好算，但空间复杂度感觉和编程语言的内置函数有关，由于对函数不了解导致很多时候并不清楚是否开辟了新的内存空间。

时间复杂度

算法花费的时间与算法中语句的执行次数成正比例。

${\lim }_{n\to \infty }\frac{T(n)}{f(n)}=c$，c为常数。

问题规模为n时，算法中语句执行次数记为时间频度$T(n)$。时间复杂度定义为时间频度的等阶函数$f(n)$的量级$O(f(n))$。

常见的时间复杂度量级：

项目	Value
常数阶	$O(1)$
对数阶	$O(\log \mathrm{N})$
线性阶	$O(n)$
线性对数阶	$O(nlogN)$
平方阶	$O\left(n^2\right)$
立方阶	$O\left(n^3\right)$
$\mathrm{K}$ 次方阶	$\mathrm{O}\left({\mathrm{n}}^{\mathrm{k}}\right)$
指数阶	$O\left(2^n\right)$

空间复杂度

  算法的空间复杂度(Space Complexity)-$S(n)$-定义为该算法所耗费的存储空间。
  算法执行所需要的临时空间不随着某个变量n的大小而变化，即此算法空间复杂度为一个常量，可表示为 O(1)。

常数空间：O(1)
多开一个辅助的数组：O(N)
多开一个辅助的二维数组：O(N^2)
对于递归调用：递归深度=空间复杂度