数据结构_时间与空间复杂度

目录

一、时间复杂度

1.1 概念

1.2 大O的渐进表示法

1.3 推导大O阶方法

1.4 时间复杂度的多种情况

二、空间复杂度

总结

---

【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。

---

一、时间复杂度

1.1 概念

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。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，算法中的基本操作执行次数，为算法的时间复杂度。

1.2 大O的渐进表示法

我们先来分析下图中 func() 方法的语句执行次数。

可以看出，func() 方法语句执行次数总和为 n^2+2n+10 次，那我们说算法中的基本操作执行次数为这个算法的时间复杂度，那 func() 方法的时间复杂度就是  n^2+2n+10 吗？当然不是！我们看，func() 方法中的 N 越大，那它的执行次数总和就越大。如果 N=1000，次数就达到了 1002010 次，这时候最后一条执行了 10 次的语句，我们就不会在乎了。所以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。

1.3 推导大O阶方法

由于我们计算一个算法的时间复杂度只需要计算大概执行次数，所以我们可以利用大O阶方法来计算时间复杂度，那我们先来看看大O阶方法是怎样的。

【大O阶推导过程】

1、用常数1取代运行时间中的所有加法常数。

例如：n^2+2n+10086 中加法常数 10086 应该变成 1，即 n^2+2n+10086 --> n^2+2n+1。

2、在修改后的运行次数函数中，只保留最高阶项。

例如：n^2+2n+1 应该只保留 n^2，即 n^2+2n+1 -->  n^2。

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。

例如：3n^2 中最高阶项 n^2 与之相乘的常数 3 应该变成 1，即 3n^2 -->  n^2。

由此我们可以试着计算上文中 func() 方法的时间复杂度，首先 n^2+2n+10 --> n^2+2n+1，然后 n^2+2n+1 -->  n^2，最后发现与最高项相乘的常数为 1，所以 func() 方法的时间复杂度为 O(N^2)。

1.4 时间复杂度的多种情况

通过上述介绍，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。同时还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)。

---

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。

例如，计算阶乘递归的空间复杂度：

class Test {
    long factorial(int N) {
        return N < 2 ? N : factorial(N-1)*N;
    }
}

其中，若 N 为 3，则需递归 3 次至 N = 1 才会完成递归，这样就会需要 3 个额外空间。所以调用了 N 次，开辟了 N 个栈帧，每个栈帧使用了常数个空间，即阶乘递归的空间复杂度为 O(N)。

---

总结

1、时间复杂度主要衡量的是一个算法的运行速度。

2、空间复杂度主要衡量一个算法所需要的额外空间。

3、时间复杂度关注的是算法最坏运行情况。

4、常用复杂度的比较：O(1) < O(logN) < O(N) < O(N*logN) < O(N*2)。