时间和空间复杂度

目录

一、时间复杂度

1、 时间复杂度的概念

2、大O的渐进表示法

二、空间复杂度

---

我们知道用算法效率来衡量一个算法的好坏，那么如何计算算法效率呢

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。

一、时间复杂度

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数学函数，它定量描述了该算法的运行时间。 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、大O的渐进表示法

先来看一段代码

void func1(int N){
    int count = 0;
    for (int i = 0; i < N ; i++) {
        for (int j = 0; j < N ; j++) {
            count++;
        }
    }//次数n^2
    for (int k = 0; k < 2 * N ; k++) {
        count++;
    }//2*n
    int M = 10;
    while ((M--) > 0) {
        count++;
    }//10
    System.out.println(count);
}

 Func1 执行的基本操作次数 ：

 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：

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 )

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)

做三个练习题练练手吧

1、 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;
}

 因为二分查找中没查找一次，长度变为1/2；查找n次，,,

binarySearch的时间复杂度为：

2、// 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;
}

递归时间复杂度=递归次数*每次递归的执行次数

基本操作递归了 N 次，时间复杂度为 O(N) 。

3、// 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 n次，时间复杂度为O( )。 

常见时间复杂度如表：

二、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 。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时间复杂度类似，也 使用大 O 渐进表示法 。

直接练习领悟吧

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;
        }
    }
}

实例1使用了常数个额外空间，所以空间复杂度为 O(1) 

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;
}

实例2动态开辟了N个空间，空间复杂度为 O(N) 

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;
}

 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)