Chapter 2:算法的时间复杂度和空间复杂度

前言：在计算机科学中，时间复杂度和空间复杂度是衡量算法性能的两个重要指标。它们分别描述了算法在执行过程中所需的时间和空间资源。理解这两个概念对于编写高效、可靠的代码至关重要。本文将介绍时间复杂度和空间复杂度的基本概念、计算方法以及如何在实际编程中应用这些知识来优化算法。

文章目录

• 算法效率
• 时间复杂度
• 空间复杂度
• 常见复杂度对比
• 复杂度oj练习
• 总结

---

一、算法效率

1.1如何衡量一个算法的好坏

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？那该如何衡量其好与坏呢？

1.2 算法的复杂度

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。

二、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，只有把程序放在机器上跑起来才能知道。但每个算法都上机测试吗？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，算法中基本操作的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。

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 ：

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。

2.2 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：

通过上面会发现大O的渐进表示法去掉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：

void Func2(int N)
{
 int count = 0;
 for (int k = 0; k < 2 * N ; ++ k)
 {
 ++count;
 }
 
 int M = 10;
 while (M--)
 {
 ++count;
 }
 
 printf("%d\n", 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;
 }
 printf("%d\n", 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;
 }
 printf("%d\n", 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strchr的时间复杂度
const char * strchr ( const char * str, int character );

实例4基本操作执行最好1次，最坏N次，时间复杂度一般看最坏，时间复杂度为 O(N)

实例5：

// 计算BubbleSort的时间复杂度
void BubbleSort(int* a, int n)
{
 assert(a);
 for (size_t end = n; end > 0; --end)
 {
 int exchange = 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5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)

冒泡排序，也分最好和最坏情况，最好情况为O(N),（已排好序，不交换），这里考虑的是最坏情况

实例6：

// 计算BinarySearch的时间复杂度
int BinarySearch(int* a, int n, int x)
{
 assert(a);
 
 int begin = 0;
 int end = n-1;
 // [begin, end]：begin和end是左闭右闭区间，因此有=号
 while (begin <= end)
 {
 int mid = begin + ((end-begin)>>1);
 if (a[mid] < x)
 begin = mid+1;
 else if (a[mid] > x)
 end = mid-1;
 else
 return mid;
 }
 
 return -1;
}

实例6基本操作执行最好1次，最坏O(logN)次，时间复杂度为 O(logN)

ps：logN在算法分析中表示是底数为2，对数为N。有些地方会写成lgN。（类比折纸查找）

实例7：

// 计算阶乘递归Fac的时间复杂度
long long Fac(size_t N)
{
 if(0 == N)
 return 1;
 
 return Fac(N-1)*N;
}

实例7通过计算分析发现基本操作递归了N次，时间复杂度为O(N)。

类比：

N次调用，每次N都变了

实例8：

// 计算斐波那契递归Fib的时间复杂度
long long Fib(size_t N)
{
 if(N < 3)
 return 1;
 
 return Fib(N-1) + Fib(N-2);
}

实例8通过计算分析发现基本操作递归了2^N次，时间复杂度为O(2^N)。（画图递归栈帧的二叉树）

灰色缺的一部分对它的量级没有影响

三、空间复杂度

空间复杂度也是一个数学表达式，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了多少byte的空间，因为这个也没太大意义，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。

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申请的额外空间来确定。

实例1：

// 计算BubbleSort的空间复杂度
void BubbleSort(int* a, int n)
{
 assert(a);
 for (size_t end = n; end > 0; --end)
  {
     int exchange = 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
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
 if(n==0)
 return NULL;
 
 long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
 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)

实例3：

long long Fac(size_t N)
{
 if(N == 0)
 return 1;
 
 return Fac(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)

2递归使用完销毁，1使用同一块空间

其他同理，右边使用都调用左边的空间，最多额外开了N层空间

四、常见复杂度对比

一般算法常见的复杂度如下：

五、 复杂度的oj练习

5.1消失的数字OJ链接：. - 力扣（LeetCode）

先分析时间复杂度，时间复杂度差的舍弃，选择时间复杂度好的去编写代码

思路：

思路2

思路3时间复杂度好，但是遇到很大的数会有溢出风险

5.2 旋转数组OJ链接：

三段逆置：时间复杂度O(N)

时间复杂度O(N)

---

总结​​​​​​​

       本文详细介绍了时间复杂度和空间复杂度的概念、计算方法以及它们在算法分析和优化中的应用。通过学习这两种复杂度，我们可以更好地评估不同算法的性能，从而在实际应用中选择更合适的算法。同时，还讨论了一些常见的时间复杂度和空间复杂度示例，以帮助读者更好地理解和应用这些知识。总之，掌握时间复杂度和空间复杂度对于编写高效、可靠的代码具有重要意义。