时间和空间复杂度

欢迎来到Cefler的博客😁
🕌博客主页：那个传说中的man的主页
🏠个人专栏：题目解析
🌎推荐文章：题目大解析2

---

👉🏻什么是时间复杂度？

评估一个算法的好坏，我们一般是通过时间复杂度和空间复杂度两个方面进行评估，一个算法的执行时间如何得到呢？于是就会有人说，把这个算法放到机器上运行一下，不就可以了吗，可以是可以，但是如果有多个算法，这种办法就显得过于麻烦了，所以我们提出了“时间复杂度”这一概念。
其定义为：算法中的基本操作的执行数
举个例子：👇🏻

// 请计算一下Func1中++count语句总共执行了多少次？
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--)
{
 ++count;
}

我们可以计算得出其基本操作数F(N)=N^2+2*N+10

但实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数，那么这
里我们使用“大O的渐进表示法”。

👉🏻 大O的渐进表示法

大O符号：用于描述函数渐进行为的符号

推导大O阶的方法：
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。

如上述的F(N)=N^2+2*N+10，它的大O的渐进表示为O(N ^2)
通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数。

常见时间复杂度计算举例

实例1

// 计算Func2的时间复杂度？
void Func2(int N)
{
 int count = 0;
 for (int k = 0; k < 2 * N ; ++ k)//执行了2*N
 {
 ++count;
 }
 int M = 10;
 while (M--)//执行了10
 {
 ++count;
 }
 printf("%d\n", count);
}

F（N）=2*N+10，大O为O（N）
实例2

// 计算Func3的时间复杂度？
void Func3(int N, int M)
{
 int count = 0;
 for (int k = 0; k < M; ++ k)//执行M次
 {
 ++count;
 }
 for (int k = 0; k < N ; ++ k)//执行N次
 {
 ++count;
 }
 printf("%d\n", count);
}

F（N）=M+N，因为M和N为未知数，所以大O为O（M+N）
实例3

// 计算Func4的时间复杂度？
void Func4(int N)
{
 int count = 0;
 for (int k = 0; k < 100; ++ k)//执行100次
 {
 ++count;
 }
 printf("%d\n", count);
}

F（N）=100，大O为O（1）
实例4

// 计算strchr的时间复杂度？
const char * strchr ( const char * str, int character );
{
      int i=0;
      while(*str)
      {
         if(*str==character)
         {
             return str;
         }
         str++;
      }
}

F(N)最快1次，最坏为N次，时间复杂度取最坏情况O（N）
实例5

// 计算BubbleSort的时间复杂度？
void BubbleSort(int* a, int n)
{
 assert(a);
 for (size_t end = n; end > 0; --end)//执行了n次
 {
 int exchange = 0;
 for (size_t i = 1; i < end; ++i)//执行了n-1次
 {
 if (a[i-1] > a[i])
 {
 Swap(&a[i-1], &a[i]);
 exchange = 1;
 }
 }
 if (exchange == 0)
 break;
 }
}

F(N)=(N^2-N)/2，大O表示为（N ^2）
实例6

// 计算BinarySearch的时间复杂度？
int BinarySearch(int* a, int n, int x)
{
 assert(a);
 int begin = 0;
 int end = n-1;
 // [begin, end]：begin和end是左闭右闭区间，因此有=号
 while (begin <= end)
 {
 int mid = begin + ((end-begin)>>1);
 if (a[mid] < x)
 begin = mid+1;
 else if (a[mid] > x)
 end = mid-1;
 else
 return mid;
 }
 return -1;
}

最好结果为1次，最坏结果为logN，时间复杂度取最坏情况O（logN）
实例7

// 计算阶乘递归Fac的时间复杂度？
long long Fac(size_t N)
{
 if(0 == N)
 return 1;
 
 return Fac(N-1)*N;//一共递归N次
}

时间复杂度为O(N)
实例8

// 计算斐波那契递归Fib的时间复杂度？
long long Fib(size_t N)
{
 if(N < 3)
 return 1;
 
 return Fib(N-1) + Fib(N-2);
}

👉🏻空间复杂度

空间复杂度也是一个数学表达式，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 。
空间复杂度不是程序占用了多少bytes的空间，因为这个也没太大意义，所以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。
注意：函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了，因此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。

实例

实例1

// 计算BubbleSort的空间复杂度？
void BubbleSort(int* a, int n)
{
assert(a);
 for (size_t end = n; end > 0; --end)
 {
 int exchange = 0;
 for (size_t i = 1; i < end; ++i)
 {
 if (a[i-1] > a[i])
 {
 Swap(&a[i-1], &a[i]);
 exchange = 1;
 }
 }
 if (exchange == 0)
 break;
 }
}

因为数组a一开始就已经申请，后面的调用并未开辟新空间，所以空间复杂度为O（1）
实例2

// 计算Fibonacci的空间复杂度？
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
 if(n==0)
 return NULL;
 
 long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
 fibArray[0] = 0;
 fibArray[1] = 1;
 for (int i = 2; i <= n ; ++i)
 {
 fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
 }
 return fibArray;
}

malloc申请(n+1)个空间，空间复杂度为O(n)
实例3

// 计算阶乘递归Fac的空间复杂度？
long long Fac(size_t N)
{
 if(N == 0)
 return 1;
 
 return Fac(N-1)*N;
}

O（n）
实例4

// 计算斐波那契递归Fib的空间复杂度？
long long Fib(size_t N)
{
 if(N < 3)
 return 1;
 
 return Fib(N-1) + Fib(N-2);
}

该函数所能开辟最复杂的空间数为n-1,所以空间复杂度为O（n）

---

如上便是本期的所有内容了，如果喜欢并觉得有帮助的话，希望可以博个点赞+收藏+关注🌹🌹🌹❤️ 🧡 💛,学海无涯苦作舟,愿与君一起共勉成长