空间复杂度的概念
关于算法的存储空间需求,类似算法的时间复杂度,我们采用渐进空间复杂度来作为算法所需存储空间的量度,简称空间复杂度。
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。
但如今计算机硬件水平较以前大幅度提升,计算机的运行内存不断扩大,1M的空间足以存储1024*1024个字节,空间复杂度已无太多实际上的意义。
常见的空间复杂度:O(1),O(N),O(N^2).
- O(1):算法的空间需求是固定的,与输入规模无关。例如,使用固定数量的变量进行基本的数学操作。
- O(n):算法的空间需求与输入数据的线性规模成正比。例如,在一个数组中查找最大值需要O(n)的空间,因为你需要存储整个数组。
- O(n^2):算法的空间需求与输入数据的规模的平方成正比。通常涉及多维数据结构,例如,在二维数组中存储数据。
一般算法的常见复杂度如下
空间复杂度例题
1.冒泡排序的空间复杂度:
void BubbleSort(int* a, int n)
{
assert(a);
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i-1] > a[i])
{
Swap(&a[i-1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}
冒泡排序操作的特点是它在原数组上进行交换操作,不需要借助额外的数据结构存储数据。额外使用的内存空间只包括几个辅助变量,它们的数量不随输入规模n
变化。因此,冒泡排序算法的空间复杂度是O(1),即常数空间复杂度。
2.斐波那契的空间复杂度
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
if(n==0)
return NULL;
long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
}
return fibArray;
}
斐波那契数列一个申请了(n+1)*sizeof(long long)的空间,
所以,内存分配的总大小是(n+1)*sizeof(long long)
因此,此函数的空间复杂度为O(n)
,这意味着所需的空间与输入的大小n
成正比。
3.递归函数的空间复杂度
long long Fac(size_t N)
{
if(N == 0)
return 1;
return Fac(N-1)*N;
}
递归调用了N次,开辟了N个栈帧,每个栈帧使用了常数个空间。空间复杂度为O(N)。