时空复杂度分析

总体分析

在程序设计中，为了完成某些功能，工程师们会设计一些算法，来完成这些功能。然而完成这些功能的时候不可避免的会遇到一些效率问题，而时间复杂度和空间复杂度具有算法运行时衡量算法效率的作用。

一般情况下，算法的时间复杂度与空间复杂度是成反比的，当一个算法时间复杂度降低，这个算法的空间复杂度会相应升高。二者经常不可得兼。

时间复杂度

找到某条语句与问题规模N之间的表达式，就是算出了该算法的时间复杂度

例如之下代码

int main()
{
	int i = 0;
	int sum = 0;
	for (i = 0; i < N; i++)
	{
		for (int j = 0; j < N; j++)
			//O(1);
	}
	return 0;
}

这个代码的时间复杂度就是 O(N*N) 即 O(N²)

一般情况下我们使用最坏情况表示时间复杂度，比如：

int search(int target)
{

	int a[N] = { 1, 2, 3, 4, 5, 6, 7, ..., N };
	for (int i = 0; i < N; i++)
	{
		if (target == a[i])
		{
			return 1;
		}
	}

	return 0;
}

这是一段遍历查找代码
此代码最好情况便是第一次直接匹配成功，那么这个代码时间复杂度是不是 O(1) 呢？或者是 O(N/2) ？还是 O(N) ？答案是·O(N) 我们一般认为时间复杂度是算法最坏情况下的时间复杂度。

常见时间复杂度对应表

时间复杂度	概述	算法
O(n^2)	数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度	冒泡排序
O(logn)	当数据增大n倍时，耗时增大log n倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）	二分查找
O(nlogn)	当数据增大256倍时，耗时增大256*8=2048倍。这个复杂度高于线性低于平方。	归并排序

空间复杂度

空间复杂度表示的是在算法运行过程中额外申请的空间的个数就，不将算法本身的数据存储空间计算在内

如交换数值算法：

算法一

int main()
{
	int a = 10;
	int b = 20;
	int tmp = 0;
	tmp = a;
	a = b;
	b = tmp;
	return 0;
}

算法二

int main()
{
	int a = 10;
	int b = 20;
	a = a ^ b;
	b = a ^ b;
	a = a ^ b;

	return 0;
}

以上两个算法都是交换两个变量的数值，但算法一使用了一个额外变量，所以算法一的时间复杂度就是 O(1) 。 算法二无额外变量，所以算法二的时间复杂度就是 O(0)