简述算法中的时间复杂度和空间复杂度

引入类比相关问题：

问题                                            大约花费时间

眨一下眼                                         不到一秒/瞬间

口算“123+34”                                 几秒

烧一壶水                                        几分钟

睡一觉                                            几个小时

完成一个项目                                 几天/几个星期/j几个月

飞船从地球飞出太阳系                   几年

时间复杂度基本概念：

时间复杂度是用来估计算法运行时间的一个例子（单位） 利用大O渐近法

一般来说，时间复杂度越高（越复杂），算法的效率越慢。

常见的复杂度（按照效率依次排序）

->O(1)<O(lgn)<O(n)<O(nlgn)<O(n^2)<O(n^2lgn)<O(n^3)

复杂问题的时间复杂度一般有：O（n！）、O(2^n)、O(n^n)...

O：在数学中表示一个数值的上限，我们可以理解为“大概，大约”

1、n、n^2...:表示一种单位，算法复杂程度

判断一些简单的时间复杂度：

print('Hello World')
print('Hello Python')
print('Hello Algorihm')

 时间复杂度为：O(1)    类似于这种执行打印的代码

for i in range(n):
    print('hello world')
    for j in range(n):
        print('hello world')

 时间复杂度为：O(n^2)  类似于循环嵌套n层时间复杂度就是O(n^n)

引入一个比较重要的时间复杂度（O(logn)）

 代码演示：

n=int(input('请输入n的值：'))
while n>1:
    print(n)
    n=n//2

 输出结果：

 

 

 可见：每执行一次循环语句n的值折板（规模减少一半）

2^6=64  循环一共执行6次 

log2 64=6

则：时间复杂度记为O(log2n)或者O(logn)

识别技巧：当算法过程中出现循环折半时，复杂式中会出现logn

如何快速判断算法的时间复杂度：

（适用于绝大多数情况）

确定问题规模 n

循环减半过程 logn

k层循环   n^k

复杂情况：根据算法执行过程判断

引入类比相关问题：

我们都知道，我们在创建一个变量的时候，计算机会为它开辟内存空间。

所以，空间复杂度可以大致理解为，对应内存使用的一个量度。

概念：

空间复杂度：用来评估算法内存占用大小的式子

它与时间复杂度的表示方法一样 采用 大O渐进法

例如常见的判断：

算法使用了几个变量：O(1)

算法使用了长度为n的列表：O(n)

算法使用了m行n列的二维数组：O(mn)

*“空间换时间”   现在的计算机对于内存的使用已经不在关注，内存容易造。

场景：在一个软件中，为了让用户减少等待时间，这时就要考虑“空间换时间”

总结：

编程思想：

程序=算法+数据结构

算法是什么？

可以理解为解决实际问题的办法

数据结构是什么？

可以理解为解决数据存储的问题，用什么数据类型来存储 （比如Python中的列表、元组、字典、集合、数组......）

时间复杂度和空间复杂度是用来衡量算法的优良,执行的效率（与硬件设备...无关）。

一般来讲，时间复杂度占绝大比例，“空间换时间”（内存够大且容易获取）。

这两种复杂度都是一种估计，大约的感觉。