时间复杂度和空间复杂度

1.算法效率

1.1如何衡量一个算法的好坏

让我们来看以下的斐波那契数列

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

斐波那契数列的递归实现方式非常简洁，但简洁一定好吗？我们该如何衡量好坏呢？

1.2算法的复杂的度

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在乎，但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空间。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，但很麻烦，所以才有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，算法中的基本操作执行次数，为算法的时间复杂度。

即：找到某条基本语句与问题规模N之间的数学表达式，就是算出了该算法的时间复杂度。

// 请计算一下 Func1中++count语句总共执行了多少次？
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--)
{
   ++count;
}
printf("%d\n",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

实际中我们计算实际s复杂度时，我们其实并不一定要精确的执行次数，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。

2.2大O的渐进表示法

大O符号（Big notation）：是用于描述渐进行为的数字符号。
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） = 130
• N= 100 F（N） = 10210
• N= 1000 F（N） = 1002010

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，能够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复杂度为O（N）

3.空间复杂度

空间复杂度也是给数学表达式，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示申请的额外空间来确定。

实例1：

//计算BubbbleSort的空间复杂度
void BubbleSort(int* a, int n)
{
   assert(a);
      for (size_t end = n; end > 0; --end)
      {
         int exchang = 0;
         for (size_t i = 1; i < end; ++i)
         {
             if (a[i-1] > a[i])
              {
                  Swap(&a[i-1] > a[i]);
                  exchange = 1;
              }
           }
           if (exchange == 0)
                 break;
       }
}
          

实例2：

//计算Fibonacci的空间复杂度？
//返回斐波那契列的前n项
long long* Fibonacci(size_t n)
{
   if(n==0)
       return NULL;
   long long * fibArray[0] = (long long *)malloc((n+1) * sizeof(long long ));
   fibArry[0] = 0;
   fibArry[1] = 1;
   for (int i = 2; i <= n; ++i)
   {
     fibArray[i - 1] + fibArray [i -2];
   }
   return fibArray;
}

实例3：

//计算阶乘递归Fac的空间复杂度？
long long Fac (size_t N)
{
  if(N == 0)
     retuan 1;
  return Fac(N-1)*N;

实例答案及分析：
1.实例1使用了常数个额外空间，所以空间复杂度为O（1）
2.实例2动态开辟了N个空间，空间复杂度O（N）
3.实例3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）

4.空间复杂度对比

一般算法常见的复杂度下：