[数据结构笔记]时间复杂度与空间复杂度

时间复杂度

概念

在计算机科学中，算法的时间复杂度是一个函数(数学上的)，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，在不同设备下经常会是不同的，因而不宜直接通过计时来描述算法耗费时间的程度。
一个算法所花费的时间与其中语句的执行次数成正比，因此统计次数能更有效地描述算法耗费时间的程度，算法中的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。

如：

void Func(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);
}

Func函数中++count的操作次数：
F(N)=N²+2*N+10

大O渐进表示法

实际使用中一般不需要知道准确的执行次数，只用大概的次数描述即可。
大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。

推算大O阶的方法：
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

对于前文中的Func函数的例子，取O(N²)
随着N增大，易发现N²与N²+2*N+10差别不大，也就是N²可以有效表示其复杂度，且相较精确的操作次数表达式更为简洁。

另外，算法的复杂度并不一定固定，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)

比如：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)

计算例

void Func1(int N){
	int count = 0;
	for (int k = 0; k < 2 * N; ++k){
		++count;
	}
	int M = 10;
	while (M--){
		++count;
	}
	printf("%d\n", count);
}

2N+10,O(N)

void Func2(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);
}

M+N,O(M+N)
若M远大于N则渐进于M，即O(M)，反之同理。

void Func4(int N){
	int count = 0;
	for (int k = 0; k < 100; ++k){
		++count;
	}
	printf("%d\n", count);
}

10,O(1),即常数次

//在字符串中查找字符
const char * strchr ( const char * str, int character );

最好1次最坏N次,O(N)

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;
	}
}

最好N次最坏N*(N+1)/2次,O(N²)

int BinarySearch(int* a, int n, int x){
	assert(a);
	int begin = 0;
	int end = n - 1;
	while (begin < end){
		int mid = begin + ((end - begin) >> 1);
		if (a[mid] < x)
			begin = mid + 1;
		else if (a[mid] > x)
			end = mid;
		else
			return mid;
	}
	return -1;
}

最好1次最坏O(log₂N),
记作O(logN)或O(lgN)，默认底数为2。

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

递归N次,O(N)

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

递归2^N,O(2^N)

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 。
空间复杂度不取决于程序占用了多少bytes的空间，而取决于变量的个数。
空间复杂度计算规则基本与时间复杂度类似，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显式申请的额外空间来确定。

例：
1.

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;
	}
}

使用了常数个额外空间，空间复杂度为O(1)

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;
}

动态开辟了N个空间，空间复杂度为O(N)

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

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)

常见复杂度的对比

可见，常数复杂度最优，对数复杂度接近常数复杂度，指数复杂度最次