空间复杂度及常见案例

在数据结构中，用空间复杂度来衡量程序运行所需内存空间的大小，跟时间复杂度类似，它也可以使用大O记法来表示。

  算法的空间复杂度是通过计算算法所需的存储空间实现的，计算公式为：S(n) = O(f(n))，其中n为问题的规模，f(n)则为语句关于问题规模n所占存储空间的函数，随着n的变动，f(n)的增长率越小越好。

  一个算法程序从编译到运行有多个部分涉及存储空间的分配，具体情况如下：

程序代码本身需要占用一部分存储空间，用于存储编译后提供执行的代码，这部分的存储空间主要取决于程序的代码量，因此，为了减少这部分占用的空间，在保证算法的合理性情况下，应该尽量减少代码量。

程序中的输入输出，也需要占用一部分存储空间，这部分的占用的空间主要取决于不同算法的实现逻辑，但是大体上它们的大小都是相差不大的。

程序在运行时，不同情况下需要申请的临时空间，这部分占用的空间是对空间复杂度影响最大的，因为不同的算法实现细节可能存在较大的差异，会申请的空间也会存在比较大的不同。

  一、常见的空间复杂度可以归类为以下的几种情况：

如果算法执行时所需要的空间和算法的输入值无关，对于输入数据量来说是一个常数的话，则称该算法为 原地工作 空间复杂度为O(1)。

如果随着输入数据量 n 的增大，程序申请的临时空间成线性增长，则程序的空间复杂度用 O(n) 表示。

如果随着输入数据量 n 的增大，程序申请的临时空间成 n2 关系增长，则程序的空间复杂度用 O(n2) 表示。

如果随着输入数据量 n 的增大，程序申请的临时空间成 n3 关系增长，则程序的空间复杂度用 O(n3) 表示。

等等(和时间复杂度的推送逻辑类似)