时间复杂度和空间复杂度

时间复杂度

评价一个算法通常从两个角度考虑

• 执行速度

• 占用存储空间

区别

• 如果执行速度块，说明算法好。这种评价的角度称为时间复杂度

• 如果执行过程中占用存储空间少，说明算法好。这种评价的角度称为空间复杂度

实际上对于用户来说时间复杂度更重要，因为时间复杂度是用户能感受到的，而 空间复杂度是用户感受不到的。为了让用户感受速度，还可以用空间换时间，例如 缓存（redis，memcache）技术就是用空间换时间。

一.时间频度

时间频度：一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语 句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间 频度。记为T(n)。

1.忽略常数项

观察上表，发现随着n的增大，时间频度也会增大。 例如：

当n为300时，2n+20的值是620 当n为300时，2*n的值是600 再例如： 当n为300时，T(3n+10) 的值是910 当n为300时，T(3n) 的值是900

• 2n+20 和 2n 随着n 变大，执行曲线无限接近, 20可以忽略

• 3n+10 和 3n 随着n 变大，执行曲线无限接近, 10可以忽

结论：时间频度的常数项可以忽略

2.忽略低次项

下图是一个时间函数表

观察上表，发现随着n的增大，时间频度也会增大。 例如：

当n为100时，2n²+3n+10的值是20310 当n为100时，T(2n²) 的值是20000 再例如： 当n为100时，T(n²+5n+20) 的值是10520 当n为100时，T(n²) 的值是 10000

我们发现：

2n^2+3n+10 和 2n^2 随着n 变大, 执行曲线无限接近, 可以忽略 3n+10

n^2+5n+20 和 n^2 随着n 变大,执行曲线无限接近, 可以忽略 5n+20

得到结论:时间频度的低次项可以忽略

3.忽略系数

下表是一个时间频度的函数表

观察上表，发现随着n的增大，时间频度也会增大。 例如：

当n为100时，3n^2+2n的值是30200 当n为100时，5n^2+7n的值是50700 再例如： 当n为100时，n^3+5n 的值是1000500 当n为100时，6n^3+4n的值是6000400 随着n的增大，时间频度的变化如下图所示

我们发现： 5n^2+7n 和 3n^2 + 2n ，随着n值变大，执行曲线重合, 说明这种情况下, 5和3 可以忽略。 n^3+5n 和 6n^3+4n ，随着n值变大，执行曲线分离，说明多少次方式关键。(6n^3与n^3)

结论：时间频度的系数可以忽略

二.时间复杂度(大O表示法)

1.什么是时间复杂度?

一般情况下，算法中的基本操作语句的重复执行次数是问题规模n的某个函数， 用T(n)表示，若有某个辅助函数f(n)，使得当n趋近于无穷大时，T(n) / f(n) 的极限值 为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作 T(n)=Ｏ( f(n) )，称Ｏ( f(n) ) 为算法的渐进时间复杂度，简称时间复杂度。

T(n) 不同，但时间复杂度可能相同。 如：T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它 们的T(n) 不同，但时间复杂度相同，都为O(n²)。因为时间频度中的常数项、低次 向、系数都可以忽略

2.计算时间复杂度的方法

1. 用常数1代替运行时间中的所有加法常数 T(n)=n²+7n+6 => T(n)=n²+7n+1

1. 修改后的运行次数函数中，只保留最高阶项 T(n)=n²+7n+1 => T(n) = n²

1. 去除最高阶项的系数 T(n) = n² => T(n) = n² => O(n²)

3.常见的时间复杂度

• 常数阶O(1)

• 对数阶O(log2n)

• 线性阶O(n)

• 线性对数阶O(nlog2n)

• 平方阶O(n^2)

• 立方阶O(n^3)

• k次方阶O(n^k)

• 指数阶O(2^n)

说明

• 常见的算法时间复杂度由小到大依次为：

  Ο(1)＜Ο(log2n)＜Ο(n)＜Ο(nlog2n)＜Ο(n^2)＜Ο(n^3)＜ Ο(n^k) ＜Ο(2^n)

• 随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低

• 从图中可见，我们应该尽可能避免使用指数阶的算法

1.常数阶O(1)

int i = 1;
int j = 2;
i++;
j++;
int sum = i+j;

上述代码在执行的时候，它消耗的时间并不随着某个变量的增长而增长，那么 无论这类代码有多长，即使有几万几十万行，都可以用O(1)来表示它的时间复杂 度

2.对数阶O(log2n)

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

说明：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。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 = log2n也就是说当循环 log2n 次以后，这个代码就结束了。因此 这个代码的时间复杂度为：O(log2n) 。 O(log2n) 的这个2 时间上是根据代码变化 的，i = i * 3 ，则是 O(log3n) 线性阶O(n)

3.线性阶O(n)

for (int i = 1; i <=n; i++) {
}

4.线性对数阶O(nlog2N)

说明：线性对数阶O(nlogN) 其实非常容易理解，将时间复杂度为O(logn)的对 数阶代码循环N遍的话，那么它的时间复杂度就是 n * O(logN)，也就是了 O(nlogN)

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

5.平方阶O(n²)

for (int i = 1; i <= n; i++) {
for(int j=1;j <= n;j++) {
}
}

6.立方阶O(n³)

类似上面的O(n²) ，O(n³)相当于三层n循环

7.K次方阶O(n^k)

相当于K层n循环

三.平均时间复杂度、最坏时间复杂度

• 平均时间复杂度：考虑各种情况及其发生的概率，得到的时间复杂度。

• 最好时间复杂度：在最理想的情况下，执行这段代码的时间复杂度。

• 最坏时间复杂度：在最糟糕的情况下，执行这段代码的时间复杂度。

一般讨论的时间复杂度均是最坏情况下的时间复杂度。 这样做的原因是：最坏 情况下的时间复杂度是算法在任何输入实例上运行时间的界限，这就保证了算法的 运行时间不会比最坏情况更长。

各种排序算法的最好、最坏、平均时间复杂度如下表所示：

稳定排序：是指能保证排序前，两个相等的数其在序列的前后位置顺序和排序 后它们两个的前后位置顺序相同。

例如，如果Ai = Aj，Ai原来在位置前，排序后Ai还是要在Aj位置前。 不稳定排序：排序之后在序列中相等的值的相对位置发生变化。

排序术语

• 稳定：如果 A 原本在 B 前面，而 A=B，排序之后 A 仍然在 B 的前面。

• 不稳定：如果 A 原本在 B 的前面，而 A=B，排序之后 A 可能会出现在 B 的后面。

  例如:

  5A, 2, 9, 3, 5B, 2

  2, 2, 3, 5A, 5B, 9

• 内排序（In-place）：所有排序操作都在内存中完成。

• 外排序（Out-place）：由于数据太大，因此把数据放在磁盘中，而排序通过磁

  盘和内存的数据传输才能进行。

• 时间复杂度： 定性描述一个算法执行所耗费的时间。

空间复杂度

定性描述一个算法执行所需内存的大小。

每一个算法所编写的程序，运行过程中都需要占用大小不等的存储空间，算 法的存储量包括：

• 程序本身所占空间

• 输入数据所占空间

• 辅助变量所占空间

1.首先，程序自身所占用的存储空间取决于其包含的代码量，如果要压缩这部分存储 空间，就要求我们在实现功能的同时，尽可能编写足够短的代码。 2.其次，程序运行过程中输入输出的数据，往往由要解决的问题而定，即便所用算法 不同，程序输入输出所占用的存储空间也是相近的。 3.事实上，对算法的空间复杂度影响最大的，往往是程序运行过程中所申请的临时存 储空间。不同的算法所编写出的程序，其运行时申请的临时存储空间通常会有较大 不同。

例如:

Scanner scanner = new Scanner(System.in)
int n;
n = scanner.nextInt();
int a[10];

此时，程序运行所申请的临时空间，和 n 值有直接的关联。

• 如果程序所占用的存储空间和输入值无关，则该程序的空间复杂度就为 O(1)

• 如果随着输入值 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

• 如果随着输入值 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

• 如果随着输入值 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

例如

一个哈希表,线性表这些就是O(1)

一个二维数组就是O(n^2)