详解时间复杂度和空间复杂度

目录

算法效率

时间复杂度

空间复杂度

---

算法效率

      在数据结构这门课程中，首先要学学习的就是如何衡量一个算法是否高效，具有可利用性。算法在编写成可执行程序后，运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏，一般 是从时间和空间两个维度来衡量的，即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。在计算 机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计 算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。

时间复杂度

时间复杂度的定义：在计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。

       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。

 

可以看出，N越大,后两项对结果的影响越小。

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。

 

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

大O的渐进表示法：

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、如果最高阶项系数存在且不是1，则去除与这个项目相乘的常数。

使用大O的渐进表示法以后，Func1的时间复杂度为：O(N^2).

 Func2的时间复杂度为：O(N).

一般情况下，Func3的时间复杂度为：O(M+N).

Fun3会出现一些特殊的情况：

1.当M>>N时，Func3的时间复杂度为：O(M).

2.当N>>M时，Func3的时间复杂度为：O(N).

3.当M与N比较接近时， Func3的时间复杂度为：O(N)或O(M).

 Func2的时间复杂度为：O(1). 

还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)  O(1)

平均情况：任意输入规模的期望运行次数    O(N/2)

最好情况：任意输入规模的最小运行次数(下界)  O(N)

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)。

 这个函数就存在上述出现的情况，时间复杂度时O(N).

 对冒泡排序进行优化后，会出现不同的情况。

在数组顺序有序的情况下，即最好情况下 ，时间复杂度为O(N).

无序情况下，即最坏情况下，时间复杂度为O(N^2).

注意：计算时间复杂度时，不能纯粹的数循环，要看算法逻辑。

最好情况：查找一次，时间复杂度为O(1).

最坏情况：查找x次，此时2^x=N,x=logN,时间复杂度为O(logN).

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 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。

      

注意：空间是可以重复利用的，不累计；时间不能重复利用，是需要累计的。 

以上代码在第一层for循环时，创建了一个exchange变量，除了for循环的作用域后，exchange变量会销毁，然后又利用相同的空间重新创建。因此空间复杂度为O(1).

空间复杂度为O(N).