算法的时间复杂度和空间复杂度解析

算法，是解决特定问题的步骤的描述，是通过操作数据来解决程序问题的方法。在解决问题的过程中，不同的方法解决问题的过程中耗费的时长和消耗的资源必然是不同的，时长为时间，资源（占用的内存空间）为空间，由此引入了时间和空间的概念。
评价一个算法的效率主要是看它的时间复杂度和空间复杂度情况。

一、时间复杂度

说到复杂度，怎么才能直观的表达复杂度，因此，引用了大O符号表示法，T(n) = O(f(n))。
（1）f(n)表示一个算法语句总的执行次数，有一说n表示问题的规模，f(n)表示关于问题规模N的某个函数，个人认为不好理解，可以直接理解为方法执行了多少次。
（2）O 表示正比例关系。
（3）语句总的执行次数记为T(N)，当N不断变化时，T(N)也在变化，算法执行次数的增长速率和f(N)的增长速率相同。
这就是算法的渐进时间复杂度。
举例：

for(i=1; i<=n; ++i)
{
   j = i;
   j++;
}

如上述代码所示，for循环中的逻辑需要执行n次，因此，它的时间复杂度为T(n) =O(n)。

常见的时间复杂度量级有：

常数阶O(1)：无循环，就执行一次；
对数阶O(logN)
线性阶O(n)：执行n次，如上例；
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)
从上至下依次的时间复杂度越来越大，执行的效率越来越低。

平方阶O(n²)：

for(x=1; i<=n; x++)
{
   for(i=1; i<=n; i++)
    {
       j = i;
       j++;
    }
}

如代码所示，执行了两个循环，为n*n，所以复杂度为平方阶O(n²)。

对数阶O(logN)：

int i = 1;
while(i<n)
{
    i = i * 2;
}

在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。2^f(n)<=n；f(n)<=log2n，取最大值f(n)=log2n,即T(n)=O(log2n) 。
注：2n中，随着n无限大，2就没有了意义，所以时间复杂度与系数没有关系。所以公式里的系数和常量可以忽略不计。

线性对数阶O(nlogN)：

for(m=1; m<n; m++)
{
    i = 1;
    while(i<n)
    {
        i = i * 2;
    }
}

线性对数阶O(nlogN) 将时间复杂度为O(logn)的代码循环N遍，那么它的时间复杂度就是 n * O(logN)，也就是了O(nlogN)。

二、空间复杂度

空间复杂度是指运行完一个程序所需内存的大小，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。通常来说，只要算法不涉及到动态分配的空间以及递归、栈所需的空间，空间复杂度通常为0(1)。
空间复杂度 O(1)：

int i = 1;
int j = 2;
++i;
j++;
int m = i + j;

i、j、m 所分配的空间都不变化，因此它的空间复杂度 S(n) = O(1)。

空间复杂度 O(n)：

int[] m = new int[n]
for(i=1; i<=n; ++i)
{
   j = i;
   j++;
}

空间复杂度主要看第一行即可，即 S(n) = O(n)，和时间复杂度没关系。
算法的空间复杂度并不是计算实际占用的空间，而是计算整个算法的辅助空间单元的个数，与问题的规模没有关系。