时间复杂度和空间复杂度

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

2、 时间复杂度

2.1 时间复杂度的概念

算法的时间复杂度是一个数学函数，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O的渐进表示法

// 请计算一下func1基本操作执行了多少次？
void func1(int N){
int count = 0;
for (int i = 0; i < N ; i++) {
for (int j = 0; j < N ; j++) {
count++;
}
}

// N^2

for (int k = 0; k < 2 * N ; k++) {
count++;
}

//2*N

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

//10

Func1 执行的基本操作次数:

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

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。

2.3 常见时间复杂度计算举例

【实例1】

// 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--) > 0) {
count++;
}
System.out.println(count);
}

执行了2N+10次，时间复杂度为 O(N)

【实例2】

// 计算func3的时间复杂度？
void func3(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);
}

 作执行了M+N次，时间复杂度为 O(N+M)

【实例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);
}

 执行了100次，时间复杂度为 O(1)

【实例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;
}
}
}

最坏执行了(N*(N-1))/2次，时间复杂度一般看最坏，时间复杂度为 O(N^2)

【实例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;
}

最坏执行log₂(N) 次，时间复杂度为 O（log₂(N))

【实例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;
}

递归的时间复杂度 = 递归的次数 * 每次递归执行的次数

基本操作递归了N次，时间复杂度为O(N)。

【实例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);
}

基本操作递归了2^N 次，时间复杂度为O(2^N )。

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 ，所以空间复杂度算的是变量的个数。

【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;
}

 冒泡排序算法的空间复杂度是 ( O(1) )。这是因为该算法是就地排序，意味着它不需要与输入大小成比例的额外存储空间（除了一些用于索引和临时存储元素交换的变量）。因此，无论数组的大小如何，所使用的空间保持不变，导致空间复杂度为 ( O(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;
}

斐波那契函数的空间复杂度为 ( O(N) )，其中 ( N ) 是输入参数表示斐波那契数列的索引。这是因为该函数使用了一个长度为 ( N+1 ) 的数组来存储斐波那契数列的值，所以空间复杂度与输入参数 ( N ) 成正比。

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的空间复杂度？
long factorial(int N) {
return N < 2 ? N : factorial(N-1)*N;
}

阶乘递归Factorial的空间复杂度是 ( O(N) )。这是因为每次递归调用都会在内存中创建一个新的栈帧，直到递归结束，所以空间复杂度与递归深度 ( N ) 成正比。

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)