【时间复杂度】和【空间复杂度】的理解

目录

时间复杂度

时间复杂度计算

空间复杂度 

空间复杂度计算

常量空间

线性空间

二维空间

递归空间 

---

时间复杂度

若存在函数f(n)，当n趋于无穷大时，T(n) / f(n)的极限值是不为零的常数，那么就称f(n)是T(n)的同数量级函数。记作T(n) = O(f(n))，也称之为O(f(n))，O为算法的时间复杂度。

知道了什么是时间复杂度后，那么新的问题就来了，我们如何去推导时间复杂度呢？首先我们要遵循下面几点规则：

• 如果运行时间是常数量级，则用常数1表示
• 只保留时间函数中的最高阶项
• 如果最高阶项存在，则省去最高阶项前面的系数

时间复杂度计算

这样全概念型的大家可以不太理解，这里我们举例子说明具体含义：

示例1：

T(n) = 7n                        # 最高阶项为7n，省去系数7，时间复杂度为：T(n) = O(n)

示例2：

T(n) = 7log(n)                # 省去系数7，时间复杂度为：T(n) = O(logn)

示例3：

T(n) = 5                         # 只有常数量级，时间复杂度为：T(n) = O(1)

示例4：

T(n) = 2.5n^2 + 2.5n     # 保留最高阶项，时间复杂度为：T(n) = O(n^2)

四种时间复杂度排序：O(1) < O(logn) < O(n) < O(n^2)

空间复杂度 

在运行程序时，我们往往会根据需要存储一些临时的中间数据，以便于后续指令可以更方便的执行。

在时间复杂度相同的情况下，算法占用的内存空间越小越好。程序占用空间大小的计算公式为S(n) = O(f(n))，f(n)为算法所占存储空间的函数。

空间复杂度计算

常量空间

当算法存储空间大小固定，和输入规模没有直接的关系时，空间复杂度记作O(1)。

def fun(n):
    i = 3

线性空间

当算法分配的空间是一个线性的集合【如列表】时，并且集合大小和输入规模n成正比时，空间复杂度记作O(n)。

def fun(n):
    array = [[0] * n]

二维空间

当算法分配的空间是一个二维列表集合，并且集合的长度和宽度都与输入规模n成正比时，空间复杂度记作O(n^2)。

def fun(n):
    matrix = [[0] * n] * n

递归空间 

计算机在执行递归程序时，会专门分配一块内存，用来存储"函数调用栈"。

"函数调用栈"包括进栈和出栈两种行为。

• 进栈：当进入一个新函数时，执行入栈操作，把调用的函数和参数信息压入栈中。
• 出栈：当函数返回时，执行出栈操作，把调用的函数和参数信息从栈中弹出。

def fun(n)
    if n > 0
        fun(n - 1)

假设传入的值为5，入栈将参数(n = 5)先入栈，接下来再调用相同的方法将所有元素全部入栈

method	fun
n	1
n	2
n	3
n	4
n	5

当n = 1时，开始出栈，先将参数(n = 1)出栈，以此类推。

通过上述操作，可以看出，执行递归操作所需要的内存空间和递归的深度成正比。纯粹的递归操作的空间复杂度是线性的，如果递归的深度为n，那么空间复杂度就是O(n)。