算法基础知识 - 03. 什么是空间复杂度-CSDN博客

本文链接：https://blog.csdn.net/lcgsmile/article/details/146494123

空间复杂度（Space Complexity）

空间复杂度是衡量算法在运行过程中临时占用存储空间（内存）随输入规模增长的变化趋势的指标。和时间复杂度类似，它也用大O符号（Big-O Notation）表示，关注的是额外空间的占用，不包括输入数据本身占用的空间。

为什么需要空间复杂度？

内存限制：计算机内存有限，算法占用空间过大会导致程序崩溃（如递归过深导致栈溢出）。
优化资源：在内存紧张的设备（如嵌入式系统、手机）中，需优先选择省空间的算法。
与时间复杂度权衡：有时可以用空间换时间（如哈希表），反之亦然。

常见空间复杂度类型（从低到高）

大O表示	名称	例子	说明
O(1)	常数空间	变量交换、迭代计算	只占用固定大小的额外空间
O(n)	线性空间	数组拷贝、递归调用栈	空间与输入规模成正比
O(n²)	平方空间	二维矩阵、动态规划表	空间随输入规模平方增长
O(log n)	对数空间	递归二分查找	递归深度为log n（如分治算法）

如何计算空间复杂度？

关注额外空间：不包括输入数据本身占用的空间。
- 例如：排序算法的输入是数组，但计算空间复杂度时不统计数组本身，只统计算法额外分配的变量、数组、递归栈等。
分析变量与数据结构：
- 基本变量（如int、float）算O(1)。
- 动态分配的数据结构（如数组、哈希表）算O(n)。
递归调用：递归深度消耗的栈空间需计入。

经典例子分析

1. O(1) 常数空间

def swap(a, b):
    temp = a  # 仅用到一个临时变量temp，空间固定
    a = b
    b = temp

2. O(n) 线性空间

def copy_array(arr):
    new_arr = [0] * len(arr)  # 分配了一个与输入数组等长的新数组
    for i in range(len(arr)):
        new_arr[i] = arr[i]
    return new_arr

3. O(n²) 平方空间

def generate_matrix(n):
    matrix = [[0] * n for _ in range(n)]  # 分配n×n的二维矩阵
    return matrix

4. O(log n) 对数空间（递归）

def recursive_binary_search(arr, target, left, right):
    if left > right:
        return -1
    mid = (left + right) // 2
    if arr[mid] == target:
        return mid
    elif arr[mid] < target:
        return recursive_binary_search(arr, target, mid+1, right)  # 递归深度为log n
    else:
        return recursive_binary_search(arr, target, left, mid-1)

空间复杂度 vs 时间复杂度

时间换空间：某些算法通过重复计算减少内存占用（如斐波那契数列的递归解法）。
空间换时间：如哈希表通过预分配空间实现快速查找。

例子：斐波那契数列

# O(2ⁿ) 时间，O(1) 空间（尾递归优化前）
def fib(n):
    if n <= 1:
        return n
    return fib(n-1) + fib(n-2)

# O(n) 时间，O(n) 空间（动态规划）
def fib_dp(n):
    dp = [0, 1] + [0] * (n-1)
    for i in range(2, n+1):
        dp[i] = dp[i-1] + dp[i-2]
    return dp[n]

# O(n) 时间，O(1) 空间（优化版）
def fib_optimized(n):
    if n <= 1:
        return n
    a, b = 0, 1
    for _ in range(2, n+1):
        a, b = b, a + b
    return b