数据结构与算法-时间复杂度与空间复杂度

这两个词是编写算法时需要考虑的，在实际的场景中，可能老板就跟你说他要实现一个什么功能，让你实现一个O(n)的算法，此时我们是这个表情？？

一个算法中需要考虑到的有两点，一个是执行的速度，另外一个则是执行占得资源。

距离子来说查询数据库，然后将查到的数据进行排序

我们的实现：先获取所有数据，然后从内存中筛选，选择一个冒泡排序（O(n^2)）

路人A的实现：利用查询语句从数据库获取筛选后的数据，选择了快速排序(O(nlogn))

可以明显的比较到路人A使用的算法仅需要占小部分的内存，而我们是把所有数据保存到内存中了。

同样的数据进行排序，路人A的算法随着数据规模的增长趋势是nlogn，而我们的是n^2,那么谁的算法更好已经显而易见

 

时间复杂度：算法的时间复杂度不是通过时间来衡量，而是通过分析基本操作的次数和输入规模的趋势关系。例如我们的循环次数。比如一个简单的等比求和：

int start=1，n=100;  
int sum=0;
for(int i=start;i<=n;i++)  //将循环视作整体 执行次数n次
{
    sum+=i;
}


//求和公式  只需要执行一次 无论问题规模多大都是常数
sum=(1+n)*n/2;


//这个谁的速度快可想而知吧

常见的时间复杂度有一下几个：

• 常数阶O(1)

• 对数阶O(logN)

• 线性阶O(n)

• 线性对数阶O(nlogN)

• 平方阶O(n²)

• 立方阶O(n³)

• K次方阶O(n^k)

• 指数阶(2^n)

 

空间复杂度：空间复杂度衡量程序运行过程中需要额外占据的内存空间大小。

例如求一个数字组的换序  假如字符数组为abcde 要求从第split之前的开始移动到后面

public class HelloWorld {
    public static void main(String []args) {
		int split = 3;
       	char[] c=new char[]{'a','b','c','d','e'};
		char[] temp=new char[c.length];
		System.arraycopy(c, 0, temp, 0,temp.length);
		for(int i =0;i<temp.length;i++)
		{
			if(i<c.length-split) //后面需要串的个数
			{
				c[i]=temp[i+split];
			}
			else
			{
				c[i]=temp[i-(c.length-split)];
			}
		}
		
		for(int i=0;i<c.length;i++)
		{
			System.out.println(c[i]);
		}
    }
}

第一种方法完全的开辟了一个新的数组 规模大小是一致的。所以空间复杂度为O(n)

public class HelloWorld {
    public static void main(String []args) {
		int split = 3;
       	char[] c=new char[]{'a','b','c','d','e'};
		char temp;
		for(int i =0;i<c.length-split;i++)  //需要循环的次数
		{
			temp = c[c.length-1]; //保存当前最后一位 因为会被覆盖
			for(int j=c.length-1;j>0;j--)  //每次循环都后移一位
			{
				c[j]=c[j-1];	
			}
			c[0]=temp;
		}
		
		for(int i=0;i<c.length;i++)
		{
			System.out.println(c[i]);
		}
    }
}

第二个方法只用了一个变量并且固定不变，所以空间复杂度变为O(1)，但是时间复杂度却增加了。

 

在算法的编写中，通常可以二者互换，通过牺牲时间而降低空间使用，或者是通过空间牺牲而降低时间开销。

根据业务场景的需求，肯能会更加偏向一方，而我们这个移位的算法还有更加巧妙的解法，大可以作为一个思考。