算法+数据结构（时间，空间复杂度）

复杂度分析：

 1，时间（渐进时间复杂度）

 2，空间（渐进空间复杂度）

复杂度分析方法：

 1，加法法则:总复杂度等于量级最大的那段代码的复杂度
 2，只关注循环执行次数最多的一段代码
 3，乘法法则,嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

 

PS:我们通常会忽略掉公式中的常量、低阶、系数，只需要记录一个最大阶的量级就可以了

例如：

  T(n) = O(4n2+5n+3) =O（去掉系数4和5，常量3，结果为O（n2），2为平方）

  T(n) =O（log3n）=O（logn），去掉底数3。

对数阶时间复杂度：
T（n）=O（logn）（忽略对数的底，系数，例如：y=log3n（相当于n=3y），其中系数3忽略）

如果一段代码的时间复杂度是O（logn），那么循环N边的话，那么复杂度变为O（nlogn），
根据乘法复杂度来的。

时间复杂度：O（m+n）、O（m*n）

当决定复杂度是由2个规模（2个参数）的来决定的时候，下面2中都适用：

 1，T（m）+T（n）=O（f（m）+f（n））
 2，T（m）*T（n）=O（f（m）*f（n））

空间复杂度：

申请的常量不计算空间。例如：int i=0；

紧紧计算new的。  例如：int【】 a=new int【n】，这个复杂度也就是O（n）。

空间复杂度一般也就：O（1）、O（n）、O（n平方，立方。。。）

没有时间复杂度那么复杂。

浅析最好、最坏、平均、均摊时间复杂度：

 四个复杂度分析方面的知识点：

  1，最好情况时间复杂度（best case time complexity）、O（1）

  2，最坏情况时间复杂度（worst case time complexity）、O（n）

  3，平均情况时间复杂度（average case time complexity）、O（ (3n+1)/4）=O（n）去掉系数

  4，均摊时间复杂度（amortized time complexity）。O（ n/(n+1)）=O（1）去掉系数

平均情况时间复杂度:

我们知道，要查找的变量 x，要么在数组里，要么就不在数组里。这两种情况对应的概率统计起来很麻烦，为了方便
你理解，我们假设在数组中与不在数组中的概率都为 1/2。另外，要查找的数据出现在 0～n-1 这 n 个位置的概率
也是一样的，为 1/n。所以，根据概率乘法法则，要查找的数据出现在 0～n-1 中任意位置的概率就是 1/(2n)。
因此，前面的推导过程中存在的最大问题就是，没有将各种情况发生的概率考虑进去。如果我们把每种情况发生的概
率也考虑进去，那平均时间复杂度的计算过程就变成了这样：

这个值就是概率论中的加权平均值，也叫作期望值，所以平均时间复杂度的全称应该叫加权平均时间复杂度或者期望
时间复杂度。
引入概率之后，前面那段代码的加权平均值为 (3n+1)/4。用大 O 表示法来表示，去掉系数和常量，这段代码的加权
平均时间复杂度仍然是 O(n)。

均摊时间复杂度:

摊还分析（或者叫平摊分析）。

假设数组的长度是 n，根据数据插入的位置的不同，我们可以分为 n 种情况，每种情况的时间复杂度是 O(1)。除此之外，还有一种“额外”的情况，就是在数组没有空闲空间时插入一个数据，这个时候的时间复杂度是 O(n)。而且，这 n+1 种情况发生的概率一样，都是 1/(n+1)，

复杂度：O（n/(n+1)）。

均摊时间复杂度和摊还分析应用场景比较特殊，所以我们并不会经常用到。为了方便你理解、记忆，我这里简单总结
一下它们的应用场景。如果你遇到了，知道是怎么回事儿就行了。
对一个数据结构进行一组连续操作中，大部分情况下时间复杂度都很低，只有个别情况下时间复杂度比较高，而且这
些操作之间存在前后连贯的时序关系，这个时候，我们就可以将这一组操作放在一块儿分析，看是否能将较高时间复
杂度那次操作的耗时，平摊到其他那些时间复杂度比较低的操作上。而且，在能够应用均摊时间复杂度分析的场合，
一般均摊时间复杂度就等于最好情况时间复杂度。

算法导图：