算法的时间复杂度与空间复杂度

主要材料来源

• 算法的时间与空间复杂度（一看就懂）
• 算法的时间复杂度和空间复杂度

时间复杂度

• 概念
  • 执行当前算法所消耗的时间(最坏情况的运行时间)
• 推导O阶的方法
  • 用常数1取代运行时间中的所有加法常数
  • 在修改后的运行次数函数中，只保留最高阶项。
  • 如果最高阶项存在且不是1，则去掉该最高阶项系数。
  • 得到的最后结果就是O阶
• 常用的时间复杂度所耗费的时间从小到大依次是
  $O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(2^n)<O(n!)<O(n^n)$
• 常见复杂度量级
  • 常数阶O(1)：没有循环等复杂结构
  • 线性阶O(n)：循环$n$次

    i = 0
    while i <= n:
      i += 1
    

  • 对数阶O(log(n))

    i = 1
    while i <= n:
       i *= m
    

    $m$为常数，则循环次数$x$：$m^x=n\Rightarrow x=lo{g}_{m}n$，故量级为：$log(n)$
  • 线性对数阶O(nlog(n))：将复杂度为对数阶O(log(n))的代码循环$n$次，则其复杂度为：$n\times log(n)$，即：O(nlog(n))
  • 平方阶O(n²)：复杂度为O(n)的代码嵌套循环
  • 立方阶O(n³)、$k$次方阶O(n^k)：同O(n²)
• 常见排序算法复杂度

排序法	平均时间	最差情况	稳定度	额外空间	备注
冒泡	$O(n^2)$	$O(n^2)$	稳定	$O(1)$	$n$小时较好
交换	$O(n^2)$	$O(n^2)$	不稳定	$O(1)$	$n$小时较好
选择	$O(n^2)$	$O(n^2)$	不稳定	$O(1)$	$n$小时较好
插入	$O(n^2)$	$O(n^2)$	稳定	$O(1)$	大部分已排序时较好
基数	$O(lo{g}_{R}B)$	$O(lo{g}_{R}B)$	稳定	$O(n)$	$B$是真数(0-9) $R$是基数(个十百)
Shell	$O(nlog(n))$	$O(n^s),1<s<2$	不稳定	$O(1)$	$s$是所选分组
快速	$O(nlog(n))$	$O(n^2)$	不稳定	$O(nlog(n))$	$n$大时较好
归并	$O(nlog(n))$	$O(nlog(n))$	稳定	$O(1)$	$n$大时较好
堆	$O(nlog(n))$	$O(nlog(n))$	不稳定	$O(1)$	$n$大时较好

空间复杂度

• 概念
  • 执行当前算法需要占用的内存空间
• 常见复杂度量级
  • O(1)：算法执行所需要的临时空间不随着某个变量$n$的大小而变化
    • 场景
      • 变量赋值（变量分配的内存不会随着处理数据量的变化而变化）
      • 变量数学计算（同上）

      x = 91
      y = 100
      while y > 0:
         if x > 100:
            x -= 10
            y -= 1
         else:
           x += 1
      

  • O(n)：数组，列表等，随着元素的增多，内存将会增加

两者都平衡

• 判断是否闰年
  • 空间复杂度 > 时间复杂度：算法判断
  • 时间复杂度 > 空间复杂度：列表