Java时间复杂度与空间复杂度，腾讯java开发面试流程

1.算法效率

2.时间复杂度

2.1 时间复杂度的概念

2.2 大O的渐进表示法

2.3常见时间复杂度计算举例

3.空间复杂度

---

0. 认识常数时间操作

============

常数时间的操作

一个操作如果和样本的数据量没有关系，每次都是固定时间内完成的操作，叫做常数操作。

时间复杂度为一个算法流程中，常数操作数量的一个指标。常用O(读作big O)来表示

《一线大厂Java面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义》

【docs.qq.com/doc/DSmxTbFJ1cmN1R2dB】 完整内容开源分享

。具体

来说，先要对一个算法流程非常熟悉，然后去写出这个算法流程中，发生了多少常数操作,

进而总结出常数操作数量的表达式。

在表达式中，只要高阶项，不要低阶项，也不要高阶项的系数，剩下的部分如果为f(N)，那.

么时间复杂度为O(f (N))。

评价一个算法流程的好坏，先看时间复杂度的指标，然后再分析不同数据样本下的实际运行

时间，也就是“常数项时间”。

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。

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。

2.时间复杂度

=======

2.1 时间复杂度的概念

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。

一个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。

但是我们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。

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。

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++;

}

}

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

count++;

}

int M = 10;

while ((M–) > 0) {

count++;

}

System.out.println(count);

}

Func1 执行的基本操作次数 ：

N = 10 F(N) = 130

N = 100 F(N) = 10210

N = 1000 F(N) = 1002010

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。

推导大O阶方法：

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、如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。

使用大O的渐进表示法以后，Func1的时间复杂度为

N = 10 F(N) = 100

N = 100 F(N) = 10000

N = 1000 F(N) = 1000000

通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数。

另外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)

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(下界)

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)

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);

}

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);

}

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);

}

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;

}

}

}

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)