李叔叔之数据结构与算法：时间复杂度与空间复杂度1

基础概念

算法是计算机领域里，一系列程序与指令，用来处理特定的运算和逻辑问题。

同一个需求，算法有千百种的解法，而衡量一个算法是否高效，其主要标准就是：时间复杂度与空间复杂度。

那么什么是时间复杂度和空间复杂度呢？

举个例子

时间复杂度：
小A和小B通过自己代码实现了同一个需求，小A的代码耗时10秒，而小B的代码耗时100秒，这就说明小A的代码在时间复杂度上要优于小B的代码，因为耗时更短。

空间复杂度：
小A和小B通过自己代码实现了同一个需求，小A的代码需要消耗10MB内存，而小B的代码需要消耗100MB内存，这就说明小A的代码在空间复杂度上要优于小B的代码，因为占用内存更少。

衍生出的问题

那么有的小伙伴可能要问了，如果小A的代码耗时10秒，但是内存占用100M，而小B的代码耗时100秒，内存占用只有10M，这样的情况应该如何选择。

首先这种情况是有可能出现的，小A通过放弃内存占用，提高了运行效率，这就是我们平时所说的空间换时间；而小B通过放弃了运行效率，减少了内存占用，这就是我们平时所说的时间换空间。

具体选择哪种方案通常需要根据实际的软硬件情况来做决定。

那么在程序执行之前，有没有办法可以判断算法的耗时和内存占用呢？

这一节，我们先从时间复杂度来分析。

时间复杂度

实际上，在程序没有被执行之前，我们很难对算法的耗时和内存占用有一个具体的统计，但是可以预估算法的基本操作执行次数，记为T(n)。

基本操作执行次数

根据不同的代码结构，大体可以分为4类，常量为执行基本操作的次数：
线性： T(n)=常量*n
对数： T(n)=常量*logn
常量： T(n)=常量
多项式：T(n)=常量*n^2 + 常量*n

有了T(n)以后，是否就可以准确预估代码的耗时和内存占用了呢？

实际上，有了T(n)以后，依旧存在偏差的情况，比如代码A为T(n)=100n,代码B为T(n)=5n^2，这2段代码谁的运行时间更长呢？答案并不是绝对的，这就要看n的大小了，n的变化也会对这2段代码执行时间的长短产生影响。

渐进时间复杂度

为了填补T(n)的不足，在万众瞩目中，渐进时间复杂度闪亮登场。

标准定义如下：
若存在函数f(n)，使得当n趋近于无穷大时，T(n)/f(n)的极限值未不等于0的常数，则称f(n)为T(n)的同数量级函数。记作T(n)=O(f(n))，称为O(f(n))，O为算法的渐进时间复杂度，简称为时间复杂度。

因为渐进时间复杂度用大写的O来表示，所以也叫大O表示法。

是不是感觉看不明白？没关系，知道怎么用就行，接着看。

我们在计算时间复杂度的时候，通常需要遵循3个基本原则：

• 如果运行时间是常数量级，则用常数1表示
• 只保留时间函数中的最高阶项
• 如果最高阶项存在，则省去最高阶项前面的系数

举个例子

线性：T(n) = 3n
最高阶项为3n，省去系数3，转化为时间复杂度则为：T(n) = O(n)

对数：T(n) = 5logn
最高阶项为5logn，省去系数5，转化为时间复杂度则为：T(n) = O(logn)

常量：T(n) = 3
只有常数量级，转化为时间复杂度则为：T(n) = 1

多项式：T(n) = 4n^2 + 4n
最高阶项为4n^2，省去系数4，只保留最高阶项，转化为时间复杂度则为：T(n) = O(n^2)

总结

那么刚才这4种时间复杂度的算法，究竟谁的执行时间更长，谁的执行时间更短呢？

我们假设当n的取值足够大时，可以得出以下结论：

O(1) < O(logn) < O(n) < O(n^2)

于是，我们通过计算时间复杂度的基本原则，在程序执行之前就可以完成时间复杂度的估算，从而挑选出最适合的算法。

高效的算法可以为程序的执行效率带来巨大的好处，当n的值越大的时候就越明显(当然如果需求里明确n的值不需要那么大，可另做判断)。

想要学好算法，理解时间复杂度的概念是必不可少的。

今天就到这，下一节主要讲空间复杂度。