简述时间复杂度和空间复杂度

  任何一个程序都会有时间复杂度和空间复杂度两个属性，时间复杂度越高，程序运行的时间就会越长，空间复杂度越高，程序所占用的空间就会越大，我们想要优化程序，自然就要从这两个方面入手。

  衡量一个程序的时间复杂度，并不是简单的计时掐表能做到的。首先，计时掐表的误差是不可能消除的，而且计时的人对结果影响很大。其次，同一个程序在不同的机器上运行，消耗的时间肯定也是不同的。唯一不变的就是我们要测试的，组成这个程序的代码。

  衡量一段代码的时间复杂度，我们可以使用大O的渐进表示法，要简单的介绍大O，可以用下面几段简单的代码为例。

  void func1(int N) {
        int count = 0;
        for(int i = 0; i<N; i++){
          for(int j = 0; j<N; j++){
          count++;
          }
        }
        for(int k = 0; k<2*N; k++){
        count++;
        }
        int M = 10;
        while(M--> 0){
        count++;
        }
  }

  通过简单的计算，我们可以得到在这段代码执行的次数，最初 i , j 的两个for循环一共执行了N * N次，k 的 for 循环执行了2 * N次，最后while循环执行了10次，即程序总共执行了N ^ 2 + 2* N + 10;次。当N为10时，程序就会执行130次，N为100时，就执行10210。我们可以很明显的看见，当N越来越大时，后面加上的常数和低阶项的影响就会越来越小，而计算程序的时间复杂度时，我们并不是需要一个很精准的数值，只要得到一个大概的执行次数就可以了。因此，我们是可以去掉式子中的常数项和低阶项，如果最高项还乘了一个常数，也要把这个乘上去的常数去掉，只要留下一个最高阶项来表明程序大概的执行次数就可以了。那么这个例子的时间复杂度，用大O渐进表示法就可以表示为：O(N ^ 2)。如果一个程序有两个循环，分别执行了M和N次，通过大O渐进表示法推导就表示为O(M+N)，如果为固定的常数次数，例如10次、100次，就表示为O(1)。

  当然，在实际的代码运行过程中，一个程序的执行次数可能并不是固定的，例如冒泡排序的执行次数就和数组排序几次就变成有序数组有关。在这种存在多种执行次数的情况中讨论时间复杂度，人们一般是讨论最坏情况的时间复杂度，即，这个数组在最后一次排序完成后才变成有序数组。

  空间复杂度是一个程序在运行过程中临时占用的空间大小的量度，这里我们计算的并不是这个程序具体占用了多少个bytes的空间，而是这个程序的变量个数。与时间复杂度一样，空间复杂度也用大O来表示。

  如果一个程序在运行过程中创建的变量数为固定的常数个，就表示为O(1)。如果为N个，就表示为O(N)。而如果一个程序在运行过程中，有函数递归了N次，每次开辟了N个空间，那么就可以表示为O(N^2)，开辟的是固定的常数个空间，就表示为O(N)。