【数据结构】算法的时间复杂度和空间复杂度（含代码分析）

一、算法的效率

1.1 如何衡量一个算法的好坏

如何衡量一个算法的好坏呢？比如对于以下斐波那契数列：

long long Fib(int N)
{
   
if(N < 3)
return 1;
return Fib(N-1) + Fib(N-2);
}

1. 这里的时间复杂度为：2^N，计算方法请看下文。
2. 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。

1.2 算法的复杂度的概念

1. 一般而言分析算法效率的方式有两种，即：时间效率和空间效率。时间效率也称为时间复杂度；空间效率也称为空间复杂度。
2. 在计算机技术发展的几十年中，空间资源变得不是非常重要了，因此在一般的算法分析中，讨论的主要是时间复杂度，当然空间复杂度的分析也是如此。
3. 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。

二、大O的渐进表示法

1. 大O符号是由德国数论学家保罗·巴赫曼（Paul Bachmann）在其1892年的著作《解析数论》（Analytische Zahlentheorie）首先引入的。
2. “大O符号（Big Onotation）是用来描述函数渐进行为的数学符号”，假设原有的函数程序执行步为T(n)，那么当T(n)=O(f(n))时，当且仅当存在正常数C和n0，使得T(n)≦C*f(n)对于所有n，n≧n0都成立。其中的f(n)这个函数用来描述原来的函数的数量级的渐进上界。使用大O符号时，用的O代表无穷大的渐进，它表示n趋近于无穷大时的一种情况。此时我们把O(f(n))称为算法的渐进时间复杂度，简称时间复杂度。时间复杂度的渐进上界表示如下图所示：
   
3. 当问题规模即要处理的数据增长时， 基本操作要重复执行的次数必定也会增长， 那么我们关心地是这个执行次数以什么样的数量级增长。所谓数量级可以理解为增长率。这个所谓的数量级就称为算法的渐近时间复杂度（asymptotic time complexity）， 简称为时间复杂度。
4. 食用方法：
   1.用常数1来取代运行时间中所有加法常数。
   2.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，则去除与这个项相乘的常数。
   4.在实际中一般情况关注的是算法的最坏运行情况。

三、时间复杂度

2.1 时间复杂度的概念

1. 概念：算法的时间复杂度是一个函数，它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述（大O渐近表示法），不包括这个函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是渐近的，亦即考察输入值大小趋近无穷时的情况。
2. 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。
3. 通俗的说，因为计算机的计算能力特别强，所以我们只需要对算法执行次数进行估算，然后再进行优化，就能有效提高算法的效率。我们只需要关心量级，而不用关心具体执行次数。
   

4. 实例：

2.2常见时间复杂度计算举例

实例1：

void