📢 声明：博主gitee----附博主学习笔记
文章前题：
❓ 思考：当我们设计出一个算法后如何去评价其好与坏呢（好与坏即算法的效率高低）？
👀 答案：两个方面（时间复杂度 + 空间复杂度），下面正式引入主题
文章目录
一、时间复杂度
💨 时间复杂度即算法的运行速度，如今，空间的代价相对较小，所以可以牺牲空间来换取时间（提升算法的效率）
那么问题来了，如何衡量一个算法的时间复杂度？
首先先要明确一个点：时间复杂度是一个大概，不是精确的算法运行时间
我们选择算法中基本操作（基本是循环中的一个语句）执行的次数被称为时间复杂度
👿 表示法：O的渐近表示法
👇 我们看这样一个例子：我们看 count++ 这条代码执行多少次
☝️ 很明显上述基本操作的代码（count++）执行次数为 ：
N * N + 2 * N + 10
😞 但是由于我们在计算时间复杂度的时候，是计算一个大概的执行次数，这里使用大 O 渐进表示法化简基本操作的执行次数
大O渐进表示法规则：😲
- 用常数 1 替换掉运行时间中的所有加法常数
- 只保留最高阶项
- 如果最高阶存在且不是常数 1 则去掉最高项前面的系数
- 如果得到的是一个仅有常数的执行次数，一律使用O（1）表示
- 不一定 N 是变量，只是用 N 来表示问题的规模
以上代码的时间复杂度使用大O表示法化简后：O（N^2）常数和小阶数的项都被省略掉
时间复杂度有以下三种种类：
- 最坏时间复杂度：运行的最大次数（上界）🔼
- 平均时间复杂度：根据代码不同情况而定
- 最好时间复杂度：运行的最少次数（下界）🔽
注意：平时讨论的时间复杂度，都是在最坏情况下的时间复杂度，即第一种时间复杂度
二、空间复杂度
空间复杂度是一个算法在运行过程中，临时占用存储空间的量度，同样用大 O 表示法
方法：
去看算法中有没有随着问题的规模增大变量规模增大的情况
没有上述情况：
O（1）
有这样的情况：
依不同算法而定
三、练习题
练习一、
步骤一：选取基本操作
步骤二、计算基本操作的执行次数：
2 * N + 10
步骤三、使用大O渐进表示法化简：
主要步骤：省略常数和低项，只保留最高项，最高项如果有系数，把系数去掉
化简结果：
N
所以 func2 的时间复杂度为：
O（N）
练习二、
步骤一、选取基本操作
步骤二、计算基本操作的执行次数：（即循环的次数）
0~100 — 循环执行了 100 次
步骤三、使用大O渐进表示法化简，因为执行次数是常数，直接使用O（1）表示即可
O（1）
练习三、（冒泡排序）
步骤一、选取基本操作
步骤二、计算基本操作的执行次数
内层循环执行的次数：end - 1 次，由于 end 是等于 array.length ，该式子可以等于 array.length - 1
外层循环执行的次数：array.length 次
array.length 是数组的长度，即冒泡排序问题的规模，可以用 N 表示
基本操作的执行次数为：
N * (N -1)
步骤三、使用大 O 渐进表示法化简
展开上式：
N * N - N
省略低项，只保留高项，所以一次项 N 被省略，最终化简为：
N * N
最终的时间复杂度为 ：
O（N * N）
练习四、
步骤一、选取基本操作，循环中的两个语句
步骤二、计算基本操作的执行次数
第一个循环：执行了 M 次
第二个循环：执行了 N 次
总次数为：
M + N
步骤三、利用大 O 表示法进行化简
上述式子没有常数，并且 M 和 N 都为一次项（且不是常数），所以时间复杂度就是它本身
O（M + N）
练习五、（二分查找）
步骤一、针对二分查找，最坏情况下是查找序列的最后一个元素（支持二分查找的序列只能是有序的序列）
方法一、可以自己利用左右两边的坐标 / 2 得中间元素重复比较，最后算出来比较的次数，这里不展开，自行计算
方法二、二分查找树，元素位于数的层数就是查找的次数
给定三个序列观察规律：
①、查找 4 的位置
2 4
②、查找 8 的位置
2 4 6 8
③ 、查找 12 的位置
2 4 6 8 9 10 11 12
综合上述的三次查找分析规律：👇
- 序列 2 个元素查找次数：2
- 序列 4 个元素查找次数：3
- 序列 2 个元素查找次数：4
😲 最终发现序列的元素个数和查找次数存在这样的关系：
查找次数 = log2N + 1 (2为底数)
把这样的公式利用大 O 表示法进行化简后 (常数 1 省略)：
log2N
最终二分查找的时间复杂度：
O(log2N) 或者可以写成 O(logN)
练习六、递归求阶乘
首先，需要明确一个点：
递归的时间复杂度 = 递归的次数 * 每次递归执行的次数
分析递归的终止条件为：
N < 2
即当 N 等于 1 的时候递归终止，所以可以得出递归的次数为：
N
每次三目运算符执行的次数为：
1
最终时间时间复杂度为：
O（N）
练习六、斐波那契数列递归
递归执行的次数：
由于计算的时间复杂度都为最坏情况下的，所以这里默认每一次递归的层数都是满的
- 第一层递归次数为：1
- 第二层递归次数为：2
- 第三层递归次数为：4
- 第四层递归次数为：8
- …………………………
😉 我们发现每一层的个数为：
2 ^ (层数-1)
😐 所以总的递归执行次数为一个等比数列求和，最后结果为：
2 ^ n + 1
最终的时间复杂度：
O（2 ^ n）
练习七、冒泡排序的空间复杂度
数组的规模是固定的，交换时的中间变量仅仅只有一个，所以不存在变量规模随着问题规模增大而增大的现象
所以空间复杂度：
O（1）
练习八、计算 fibonacci 的空间复杂度
这里存储菲波那切数值的数值随着程序进行不断的在增大，所以这里存在变量规模随着问题规模增大而增大的现象
所以空间复杂度：（就是数组的大小，把常数 1 省略）
O（N）
练习九、递归的空间复杂度
😈 递归多少次函数就会开辟多少内存，所以这里存在变量规模随着问题规模增大而增大的现象
😇 开辟的内存空间即递归的次数 ：N
所以这里的空间复杂度：
O（N）
以上是相关时间复杂度和空间复杂度的解析，如果有任何疑问，随时评论留言私信都可以，尽全力为大家解决，谢谢大家的支持
💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞💞
621
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
