时间/空间复杂度

算法的时间复杂度

时间复杂度：计算代码的大概执行次数。而不是表面理解的计算时间。

空间复杂度：计算代码大概定义的变量的个数。考虑临时占用内存空间的量度。

如今计算机的存储空间足够大，有些算法可以牺牲空间以换取时间效率。也就是通常所说的：“用空间换时间”的做法。只有在嵌入式开发的领域，比较在意存储的空间大小。

采用的方法：O（n） O（大写）的渐进表示法。

主要介绍时间复杂度

1.常数阶示例

//代码执行次数
int a ,b; //执行第一次
int  sun ; // 执行第二次
sum=a+b; // 执行第三次
cout<<"sum = "<< sun <<endl; //执行第四次

以上代码一共执行了4次，F(n)=4, 就是累计执行次数是常数项次，故时间复杂度是O(1),而不是 O(3). 对计算机而言，不管是10次，100次，1000次都是常数项，常数项统统是O（1）。

2.线性阶

int i,sum;
int sum=0;
for(i=0;i<n;i++)
{
	sum +=i;  // n次
}
return sum;

F(n)=n+2; 则时间复杂度为：O(n)
思考？？在fot 循环中，N的取值一般是一个确定的值，若N取一个很大的存在的数，那该复杂度还是这样的吗？

3.对数阶示例

int number=1;
int count=0;
while(number<n)
{
	number *=2;
	++count;
}
return count;

2的x次方是N，经过x次，number的大小大于等于N，x=log 以2为底的对数。时间复杂度O(logn)。

4.平方阶示例

int i,a;
for（i=0；i<n;i++）
{           // n次循环
	for(a=0;a<n;a++)
	{       // n次循环
	}
}	

i从0—n 递加n次，且每次递加中 a也递增n次。故F(n)=N^2 。
时间复杂度为O(N^2)

平方阶的延伸示例

int a,b;
int m,n;
for(a=0;a<m;a++)
{      // m次循环
	for(b=0;b<n;b++)
	{    //n次循环
	}
}

上述例子的时间复杂度为：O(m*n).

nlogn 阶 O(nlogn)

立方阶 O(n^3)

指数阶 O(2^n)