时间复杂度和空间复杂度

时间复杂度和空间复杂度表示了一个算法的好坏情况。

一般来说在写题的时候允许的时间是1-2s,Java可能会稍长一些
而空间复杂度基本上不会在写题的时候给我们造成障碍。
不过空间复杂度可能更常见于算法优化的情况下。

总的来说，为了完成一个问题的消耗几乎是差不多的，也就是说，一般情况下，时间和空间是不可兼得的，我们能做的也就无非是牺牲时间换空间，牺牲空间换时间这两种罢了。

那么首先我们来看一下时间复杂度的计算方式，常见的量级有以下几种（由小到大）：

• 常数阶O(1)：执行的次数是有限的，可以数的，没有循环等复杂结构，和我们输入数据的规模无关的
• 对数阶O(logN)：是二分的时间复杂度，可以理解成不到一次循环，按2，4，8。。。。这样的方式循环
  常见例子如下：

int i = 1;
while(i<n)
{
    i = i * 2;
}

从上面代码可以看到，在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。我们试着求解一下，假设循环x次之后，i 就大于 2 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 n，那么 x = log2^n
1 +1/2+1/3 +1/4 + 1/5+ 1/6+1/7+1/8 +…1/n也等于logN
（我也推不明白，记住了就完事了ahhhh）

• 线性阶O(n)：一次循环
• 线性对数阶O(nlogN)：可以理解成将对数的那种循环n次，
• 平方阶O(n^2)：双重循环
• 立方阶O(n^3)：三重循环
• K次方阶O(n^k)：k次循环
• 指数阶(2^n)：一般是树结构的，n为数的层数，01枚举，二叉树，叶子节点的个数

下面是y总的时间复杂度和数据范围的量级的写题时的对应关系：

目前先记着：
1E5要求n（logN）就行，
特别小的数乱写就行，
特别大的数就想O（N）的算法

还有 平均时间复杂度、最坏时间复杂度、最好时间复杂度 ，我们放在讲排序的时候讲。

空间复杂度就好说很多了，比较常用的有：O(1)、O(n)、O(n²)。
就是常数，一维数组，二维数组这种罢了，很好想。