时间复杂度_空间复杂度

1.算法效率

算法效率分析分为两种：第一种是时间效率，第二种是空间效率。时间效率被称为时间复杂度，而空间效率被 称作空间复杂度。 时间复杂度主要衡量的是一个算法的运行速度，而空间复杂度主要衡量一个算法所需要的额外空间。

要么 浪费时间 来 换取空间

要么 浪费空间 来 换取时间

2.时间复杂度

2.1时间复杂度的概念

时间复杂度的定义：一个函数，定量描述了该算法的运行时间。算法耗费时间是得通过机器跑起来才能知道的。但所有都上机跑起来就没必要了，太麻烦了，。

正因为麻烦才有了时间复杂度这个分析方式，一个算法所花时间与其中语句的执行次数成正比。

算法中的基本操作的执行次数，为算法的时间复杂度。

2.2大于O的渐进表示法

void funcl(int N){
    int count=0;
    for(int i=0;i<N;i++){
        for(int j=0;j<N;j++){
            count++;
    }
}
//N*N
for(int k=0;k<2*N;k++){
    count++;
}
//2N

int M=10;
while(M--)>0{
    count++;
}
   System.out.println(count);
}
    

                Func1 执行的基本操作数

                                F(N)=N*N+2*N+10

实际中也不一定需要精确计算，只需要大概执行次数

大O符号（Big O notation）：用于描述函数渐进行为的数字符号。

推导大O阶方法

1>用常数1取代运行时间中所有加法常数

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，则出去与这个项目相乘的常数，得到的结果就是大O阶

有些算法存在最好，平均和最坏情况。

最坏情况：任意输入规模的1最大运行次数

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

举个栗子

在一个长度为N数组中搜寻一个数据

最好情况：一次找到

最坏情况：N次找到

平均情况：N/2次找到

2.3常见时间复杂度计算举例

实列1

/{/计算func2的时间复杂度
void func(int N){
int count = 0;
for (int k=0;k<2*N;k++){
    count++;
}
int M=10;
while ((M--)>0){
    count++;
}

System.out.println(count);
}

1. 实例 1 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)

实列2

//计算func的时间复杂度？
void fun3(int N,int M){
int count = 0;

for(int k=0;k<M;K++){
    count++;
}
for(int k=0;k<N;K++){
    count++;
}
System.out.println(count);
}

2. 实例 2 基本操作执行了 M+N 次，有两个未知数 M 和 N ，时间复杂度为 O(N+M)

实列3

// 计算func4的时间复杂度？
void func4(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {
   count++; }
System.out.println(count);
}

3. 实例 3 基本操作执行了 100 次，通过推导大 O 阶方法，时间复杂度为 O(1)

实列4

// 计算bubbleSort的时间复杂度？
void bubbleSort(int[] array) {
   for (int end = array.length; end > 0; end--) {
       boolean sorted = true;
       for (int i = 1; i < end; i++) {
           if (array[i - 1] > array[i]) {
               Swap(array, i - 1, i);
               sorted = false;
           }
       }
       if (sorted == true) {
           break;
       }
   }
}

实例 4 基本操作执行最好 N 次，最坏执行了 (N*(N-1))/2 次，通过推导大 O 阶方法 + 时间复杂度一般看最坏，

时间复杂度为 O(N^2)

实列5

// 计算binarySearch的时间复杂度？
int binarySearch(int[] array, int value) {
   int begin = 0;
   int end = array.length - 1;
   while (begin <= end) {
       int mid = begin + ((end-begin) / 2);
       if (array[mid] < value)
           begin = mid + 1;
       else if (array[mid] > value)
           end = mid - 1;
       else
           return mid;
   }
   return -1; }

实例 5 基本操作执行最好 1 次，最坏 O(logN) 次，时间复杂度为 O(logN) ps ： logN 在算法分析中表示是底数

为 2 ，对数为 N 。有些地方会写成 lgN 。（建议通过折纸查找的方式讲解 logN 是怎么计算出来的） ( 因为二

分查找每次排除掉一半的不适合值 , 一次二分剩下： n/2 两次二分剩下：n/2/2=n/4)

实列6:

// 计算阶乘递归factorial的时间复杂度？
long factorial(int N) {
 return N < 2 ? N : factorial(N-1) * N; }

6. 实例 6 通过计算分析发现基本操作递归了 N 次，时间复杂度为 O(N)

实列7：

// 计算斐波那契递归fibonacci的时间复杂度？
int fibonacci(int N) {
 return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2);
}

7. 实例 7 通过计算分析发现基本操作递归了 2^N 次，时间复杂度为 O(2^N) 。（建议画图递归栈帧的二叉树讲

解）

3.空间复杂度

空间复杂度是对一个算法在运行过程中 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 。

实例 1 ：

// 计算bubbleSort的空间复杂度？
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
     boolean sorted = true;
     for (int i = 1; i < end; i++) {
         if (array[i - 1] > array[i]) {
             Swap(array, i - 1, i);
             sorted = false;
         }
     }
     if (sorted == true) {
         break;
     }
 }
}

1. 实例 1 使用了常数个额外空间，所以空间复杂度为 O(1)

实例 2 ：

// 计算fibonacci的空间复杂度？
int[] fibonacci(int n) {
long[] fibArray = new long[n + 1];
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; i++) {
  fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
 }
return fibArray; }

2. 实例 2 动态开辟了 N 个空间，空间复杂度为 O(N)

实例 3 ：

// 计算阶乘递归Factorial的时间复杂度？
long factorial(int N) {
 return N < 2 ? N : factorial(N-1)*N; }

3. 实例 3 递归调用了 N 次，开辟了 N 个栈帧，每个栈帧使用了常数个空间。空间复杂度为 O(N)