时间复杂度和空间复杂度

如何评价一个算法的好坏呢？

算法复杂度

算法在编写成可执行程序后，运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏，一般是从时间和空间两个维度来衡量的，即时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法的运行快慢，而空间复杂度主要衡量一个算法运行所需要的额外空间。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。

时间复杂度

时间复杂度的定义：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，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。但是我们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。一个算法所花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。

比如：

// 下面代码中++count语句总共执行多少次？
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;
}
printf("%d\n", count);
}

Func1 执行的基本操作次数 ：

                                     F(N)=N^2+2*N+10

        

 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符号（Big O notation）：是用于描述函数渐进行为的数学符号.

推导大O阶方法：
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。

使用大O的渐进表示法以后，Func1的时间复杂度为：

                                               O(N^2)  （保留最高项）

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。

另外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)
例如：在一个长度为N数组中搜索一个数据x
最好情况：1次找到
最坏情况：N次找到
平均情况：N/2次找到

在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)
常见时间复杂度计算举例：

这里准确的次数为

                                                F(N)=2*N+10;

用大O渐进发表示就是

                                                  O(N)

 大O渐进发表示就是

                                                                  O(M+N)

  大O渐进发表示就是

                                                      O(1)  这里的次数是个常数

                                      用常数1取代运行时间中的所有加法常数

这个函数的意思就的从一个字符串str中第一次出现该字符character的位置，这里的int表示的是字符的ascii值

参考：https://blog.csdn.net/coolsunxu/article/details/105775753?ops_request_misc=&request_id=&biz_id=102&utm_term=const%20char%20*%20strchr%20(%20const%20ch&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-1-105775753.pc_search_result_control_group&spm=1018.2226.3001.4187

大致代码就是

 这里的时间复杂度是

                                            O(N)   因为不晓得什么位置可以找到，所以按照最坏的打算。

 这是一个冒泡排序的函数。

准确的次数为F(N)=(N-1)*N/2,这就是一个等差数列，首相是N-1；

 这里的时间复杂度是   ：O(N^2)

 

 时间复杂度是

                                                    O(logN)

 这是一个递归函数 。假如N=10，次数也就是10次，所以时间复杂度就是

                                                    O（N）

---

---

 但不是所有递归都是O(N)，比如：

                                   

这个他是次数是一个等差数列和，然后用大O表示就是

                                                      O(N^2)

 这也是递归函数计算斐波那契数的，但是这个需要画图才可以看出来；

 这是个等比数列，用大O表示，

                                                           O(2^N);

---

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。
 

举例：

 

这里新的变量个数3个，分别是end，exchange，i，所以空间复杂度是

                                         O(1);

 这是用循环解决斐波那契数，这malloc开辟的空间是一个未知的N，空间复杂度就是典型的

                                                       O(N)

 

 递归函数，在栈帧上不断的创建，他创建的多少跟N有关，所以他的空间复杂度是

                                                           O(N)

 

 

空间复杂度还是   ：                 O(N)

函数栈帧里空间可以不断的重复利用；

 常见复杂度对比

 

 

 这次的学习分享就到这里啦。