算法复杂度

最近在GitHub上新建了一个关于算法的小项目，打算梳理一下关于算法的一些东西，包括算法的基础知识和LeetCode的题解等。项目地址：https://github.com/PleaseCallMeCoder/LeetCodeMe，欢迎大家fork和star。

算法时间的复杂度

定义

在进行算法分析时，语句总的执行次数 T(n) 是关于问题规模 n 的函数，进而分析 T(n) 随 n 的变化情况并确定 T(n) 的数量级。 算法的时间复杂度，也就是算法的时间量度，记作：T(n) = O(f(n))。它表示随着问题规模 n 的增大，算法执行时间的增长率和 f(n) 的增长率相同，称作算法的渐进时间复杂度，简称为时间复杂度。其中 f(n) 是问题规模 n 的函数。

这种用大写 O() 来体现算法时间复杂度的记法，称为大O记法。

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为 1，则去除与这个项相乘的常数

常见的时间复杂度

常数阶 O(1) < 对数阶 O(logn) < 线性阶 O(n) < nlogn 阶 O(nlogn) < 平方阶 O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)

最坏情况与平均情况

最坏情况运行时间是一种保证，那就是运行时间不能再坏了。在应用中，这是一种最重要的需求，通常，除非特别指定，我们提到的运行时间都是最坏情况的运行时间。

平均运行时间是所有情况中最有意义的，因为它是期望的运行时间。

算法空间复杂度

算法的空间复杂度通过计算算法所需的存储空间实现，算法空间复杂度的计算公式：S(n) = O(f(n))，其中，n 为问题的规模，f(n) 为语句关于 n 所占用存储空间的函数。

参考：《大话数据结构》