采用不同的算法,会有不同的效率。因此,知道某个算法的运行速度和占用的内存空间,对于选择正确的算法来解决问题非常有帮助。
3.1 时间复杂度
算法的时间复杂度是指算法需要消耗的时间资源。
一般来说,计算机算法是问题规模n 的函数f(n),算法的时间复杂度也因此记做:
T(n) = O(f(n))
算法执行时间的增长率与f(n) 的增长率正相关,称作渐近时间复杂度(Asymptotic Time Complexity),简称时间复杂度。
3.2 空间复杂度
算法的空间复杂度是指算法需要消耗的空间资源。
其计算和表示方法与时间复杂度类似,一般都用复杂度的渐近性来表示。
同时间复杂度相比,空间复杂度的分析要简单得多。
3.3 大 O 表示法
- 什么是大 O 表示法?
我们常常会听到有人说,“这个算法在最糟情况下的运行时间是 O(n^2) 而且占用了 O(n) 大小的空间”,他的意思是这个算法有点慢,不过没占多大空间。
这里的 O(n^2)
和 O(n)
就是我们通常用来描述算法复杂度的大 O 表示法。
大 O 表示法能让你对一个算法的运行时间和占用空间有个大概概念。
- 大 O 表示法怎么看?怎么用?
假设一个算法的时间复杂度是 O(n),n 在这里代表的意思就是数据的个数。举个例子,如果你的代码用一个循环遍历 100 个元素,那么这个算法就是 O(n),n 为 100,所以这里的算法在执行时就要做 100 次工作。
- 常见的时间复杂度有:
1)常量阶:O(1)
2)对数阶:O(logn)
3)线性阶:O(n)
4)线性对数阶:O(nlogn)
5)平方阶:O(n ^ 2)
6)指数阶:O(2 ^ n)
7)阶乘阶:O(n!)
复杂度的坐标图: