时间/空间复杂度计算

度量一个程序执行时间的两种方法：

        1)事后统计的方法

        这种方法可行,但是有两个问题:

        一是要想对设计的算法的运行性能进行评测，需要实际运行该程序;二是所得时间的统计量依赖于计算机的硬件、软件等环境因素,这种方式，要在同一台计算机的相同状态下运行，才能比较那个算法速度更快。

        2)事前估算的方法

       通过分析某个算法的时间复杂度来判断哪个算法更优.

---

算法的时间复杂度时间频度：

        时间频度: 一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。

---

举例说明-忽略常数项：

 

结论:

1)2n+20 和 2n 随着n 变大，执行曲线无限接近, 20可以忽略

2)3n+10 和 3n 随着n 变大，执行曲线无限接近, 10可以忽略

---

 

 

 举例说明-忽略低次项

 结论:

1)2n^2+3n+10 和 2n^2 随着n 变大, 执行曲线无限接近, 可以忽略 3n+10

2)n^2+5n+20 和 n^2 随着n 变大,执行曲线无限接近, 可以忽略 5n+20

---

举例说明-忽略系数

 

结论:

        1)  随着n值变大，5n^2+7n 和 3n^2 + 2n ，执行曲线重合, 说明  这种情况下, 5和3可以忽略。

        2)  而n^3+5n 和 6n^3+4n  ，执行曲线分离，说明多少次方式关键

---

 

时间复杂度总结 ：

        一般情况下，算法中的基本操作语句的重复执行次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n)，使得当n趋近于无穷大时，T(n) / f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O( f(n) )，称O( f(n)）为算法的渐进时间复杂度，简称时间复杂度。

        T(n)不同，但时间复杂度可能相同。如:T(n)=n2+7n+6与T(n)=3n2+2n+2它们的T(n)不同，但时间复杂度相同，都为O(n2)。

---

计算时间复杂度的方法:

        用常数1代替运行时间中的所有加法常数

        修改后的运行次数函数中，只保留最高阶项

        去除最高阶项的系数

---

常见的时间复杂度：

        1)常数阶O(1)

        2)对数阶

        3)线性阶O(n)

        4)线性对数阶

        5)平方阶O(n^2)

        6)立方阶O(n^3)

        7)k次方阶O(n^k)

        8)指数阶O(2^n)

说明:

        常见的算法时间复杂度由小到大依次为:o(1)<o(logzn)<o(n)<O(nlogzn)<o(n)<o(n)<o(n4)<o(2")，随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低从图中可见，我们应该尽可能避免使用指数阶的算法

---

示例：

 

 

 

 

6)  立方阶O(n³)、K次方阶O(n^k)

        说明：参考上面的O(n²) 去理解就好了，O(n³)相当于三层n循环，其它的类似

---

 空间复杂度：

        1）类似于时间复杂度的讨论，一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间，它也是问题规模n的函数。

        2)  空间复杂度(Space Complexity)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。有的算法需要占用的临时工作单元数与解决问题的规模n有关，它随着n的增大而增大，当n较大时，将占用较多的存储单元，例如快速排序和归并排序算法就属于这种情况

        3)  在做算法分析时，主要讨论的是时间复杂度。从用户使用体验上看，更看重的程序执行的速度。一些缓存产品(redis, memcache)和算法(基数排序)本质就是用空间换时间.