时间与空间复杂度

目录

如何判断算法的优劣

时间复杂度

一. 时间复杂度的定义

二. 大O渐近表示法

三. 常见的时间复杂度计算

空间复杂度

一. 空间复杂度的定义

二. 常见的空间复杂度计算

---

如何判断算法的优劣

对于一个算法而言，算法效率分为两种——时间效率和空间效率，而二者又被称之为时间复杂度、空间复杂度。时间复杂度主要衡量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。而在当今时代计算机的存储容量已经很高，因此我们判断一个算法的优劣主要看的是其时间复杂度。

---

时间复杂度

一. 时间复杂度的定义

一个算法所花费时间与其中语句执行次数成正比例，因此语句执行次数我们将其大致定义为其时间复杂度（一般在计算时间复杂度时，我们看的是最坏情况）

---

二. 大O渐近表示法

规则：

1. 用常数1代替运行时间中所有的常数项
2. 在修改后的运行次数函数中，只保留最高项
3. 如果保留下来的项不是1，则去除该项的系数

例：

    void func(int n){
        int count = 0;
        for (int i = 0; i < 2n; i++) {
            for (int j = 0; j < n; j++) {
                count++;
            }
        }
     
        for(int i = 0; i < 2*n; i++){
            count++;
        }
        for (int i = 0; i < 10; i++) {
            count++;
        }
        System.out.println(count);
    }

对于上述代码：F（n = 2*n^2 + 2*n + 10

根据第一条规则 F(n) = 2*n^2 + 2*n + 1

根据第二条规则 F(n) = 2*n^2

根据第三条规则 F(n) = n^2

因此使用大O渐近表示法可将其表示为O（n^2）

---

三. 常见的时间复杂度计算

例一：

    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);
    }

F(n) = N + M

时间复杂度：O(N+M)

例二：

    void func4(int N) {
        int count = 0;
        for (int k = 0; k < 100; k++) {
            count++;
        }
        System.out.println(count);
    }

F(n) = 100

时间复杂度：O（1）

例三：

    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;
            }
        }
    }

F(n) = n + n-1 + ......+1 = n*(n + 1) / 2

时间复杂度：O（n^2）

例四：

    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;
    }

 F(n) = log2(n) -—— log以2为底n的对数

时间复杂度：O（logn）

例五：

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

对于递归的算法来说，时间复杂度为 递归次数 X 一次递归中语句执行次数

F(n) = 1 * N = N

时间复杂度：O（N）

  

例六： 

    int fibonacci(int N) {
        return N < 2 ? N : fibonacci(N-1) + fibonacci(N-2);
    }

F(n) = 1 + 2 + 4 + …… + 2^n =  2^n - 1

时间复杂度：O（2^n）

---

空间复杂度

一. 空间复杂度的定义

一个算法所花空间与新开辟的空间成正比，因此空间复杂度大致表示为一个算法中的新增加的变量个数，与时间复杂度一样也使用大O渐近表示法

---

二. 常见的空间复杂度计算

例一：

    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;
            }
        }
    }

F(n) = 4

空间复杂度：O（1）

例二：

    long[] 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;
    }

F(n) = n + 3

空间复杂度：O（n）

例三：

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

同样的，对于递归算法而言，空间复杂度的计算为 新创建变量个数 X 递归次数

F(n) = 1 * n

空间复杂度：O（n）