数据结构——时间复杂度&空间复杂度的区别用法

最新推荐文章于 2024-07-19 20:04:14 发布

刘鑫磊up

最新推荐文章于 2024-07-19 20:04:14 发布

阅读量2.5w

点赞数 119

分类专栏： # 数据结构

本文链接：https://blog.csdn.net/liu17234050/article/details/104251507

版权

数据结构专栏收录该内容

27 篇文章 1386 订阅

订阅专栏

目录：

一：时间复杂度：大 O 阶推导方法

1.定义

时间复杂度所需消耗的时间即基本操作执行次数

推荐网址了解：

一套图搞懂“时间复杂度”
https://blog.csdn.net/qq_41523096/article/details/82142747

2.时间复杂度的计算

（1）用常数 1 取代运行时间中的所有加法常数

（2）在修改后的运行次数函数中，只保留最高阶项

（3）如果最高阶项存在且不是 1，则去除与这个项相乘的常数（即
O(2n^2) = O(n^2)
），得到的结果就是大 O 阶

3.举例：

int i,j;
for ( i = 0; i < n; ++i){
    for(j = i; j < n; ++j){
        /*时间复杂度为 O(1) 的程序步骤序列 */
    }
}

4.分析：

对于外循环，其时间复杂度为 O(n)；

对于内循环环，当 i=0 时，内循环执行了 n 次，当 i=1 时，执行了 n-1 次，······当 i=n-1 时，执行了 1 次。

因此内循环总的执行次数为：
n + (n-1) + (n-2) + \cdots + 1 = \frac{n(n+1)}{2} = \frac{n^2}{2} + \frac{n}{2}
根据大 O 阶推导方法，最终上述代码的时间复杂度为：

5.常见的时间复杂度

二.空间复杂度

1.定义

算法的空间复杂度通过计算算法所需的存储空间实现

即运行完一个程序所需内存的大小

算法的时间复杂度和空间复杂度是可以相互转化的

2.空间复杂度的计算

利用程序的空间复杂度，可以对程序的运行所需要的内存多少有个预先估计

一个算法所需的存储空间用f(n)表示
空间复杂度的计算公式记作：S(n)=O(f(n))　　

其中n为问题的规模

S(n)表示空间复杂度
计算方法：

（1）忽略常数，用O(1)表示

举例1：
a = 0
b = 0
print(a,b


它的空间复杂度O（n）=O（1）；
（2）递归算法的空间复杂度=递归深度N*每次递归所要的辅助空间

举例2：
def fun(n):
    k = 10
    if n == k:
        return n
    else:
        return fun(++n)
递归实现，调用fun函数，每次都创建1个变量k。调用n次，空间复杂度O（n*1）=O（n)。
（3）对于单线程来说，递归有运行时堆栈，求的是递归最深的那一次压栈所耗费的空间的个数

因为递归最深的那一次所耗费的空间足以容纳它所有递归过程

举例3：
temp=0;
for(i=0;i<n;i++):
    temp = i

变量的内存分配发生在定义的时候，因为temp的定义是循环里边，所以是n*O(1)
temp定义在循环外边，所以是1*O(1) 

一般情况下，一个程序在机器上执行时：

除了需要存储程序本身的指令，常数，变量和输入数据外

还需要存储对数据操作的存储单元的辅助空间

若输入数据所占空间只取决于问题本身，和算法无关

这样就只需要分析该算法在实现时所需的辅助单元即可。若算法执行时所需的辅助空间相对于输入数据量而言是个常数，则称此算法为原地工作，空间复杂度为O（1）