算法的时间复杂度和空间复杂度

引言

        算法在编写成可执行程序之后，运行时需要耗费时间资源和空间(内存)资源。因此，一个算法的好坏取决于时间复杂度和空间复杂度。

        时间复杂度主要衡量一个算法的运行快慢，而空间复杂度主要衡量一个算法运行所需要的额外空间。

        随着科技的发展，存储容量已经到达一个很高的高度，所以现在的重心是时间复杂度。

一.时间复杂度

如果只用程序的运行时间表示时间复杂度，就会出现一个问题，不同配置的电脑运行同一程序时，运行时间却不同。所以时间复杂度的概念是

1. 概念:

一个算法所花费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法
的时间复杂度。

// 请计算一下Func1中++count语句总共执行了多少次？
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N ; ++ i)
{
for (int j = 0; j < N ; ++ j)
{
++count;
}
}
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}

Func1 执行的基本操作次数 ：
N = 10 F(N) = 130
N = 100 F(N) = 10210
N = 1000 F(N) = 1002010
实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数，那么这里我们使用大O的渐进表示法。
 

2.大O的渐进表示法

大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。

推导大O阶方法：
        1、用常数1取代运行时间中的所有加法常数。
        2、在修改后的运行次数函数中，只保留最高阶项。
        3、如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。
使用大O的渐进表示法以后，Func1的时间复杂度为：
        N = 10 F(N) = 100
        N = 100 F(N) = 10000
        N = 1000 F(N) = 1000000
通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数。
另外有些算法的时间复杂度存在最好、平均和最坏情况：
        最坏情况：任意输入规模的最大运行次数(上界)
        平均情况：任意输入规模的期望运行次数
        最好情况：任意输入规模的最小运行次数(下界)
例如：在一个长度为N数组中搜索一个数据x
        最好情况：1次找到
        最坏情况：N次找到
        平均情况：N/2次找到
在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)

// 计算Func2的时间复杂度？
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 2 * N ; ++ k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}

Func2基本操作执行了2N+10次，通过推导大O阶方法知道，时间复杂度为 O(N)
 

二.空间复杂度

空间复杂度也是一个数学表达式，是对一个算法在运行过程中额外的、临时占用存储空间大小的量度 。
空间复杂度不是程序占用了多少bytes的空间，因为这个也没太大意义，所以空间复杂度算的是变量的个数。
空间复杂度计算规则基本跟实践复杂度类似，也使用大O渐进表示法。
注意：函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了，因
此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。
 

//计算空间复杂度
long long Fib(size_t N)
{
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}

答案是O(N)。

第一次，我写的是O(2^N)。然后，发现错的很离谱，因为电脑放不下。函数创建了一次，算一个空间复杂度，但是，一个函数被调用多次，空间复杂度不变