1.时间复杂度:通常采用大O表示法。常见的时间复杂度量级:
- 常数阶O(1)
- 对数阶O(logN)
- 线性阶O(n)
- 线性对数阶O(nlogN)
- 平方阶O(n²)
- 立方阶O(n³)
- K次方阶O(n^k)
- 指数阶(2^n)
从上到下依次增大。时间复杂度主要就是看有没有循环以及循环的个数,下面总结一些常用的算法复杂度情况:
1.常数阶O(1):只要没有循环结构,无论代码有多少句多少行时间复杂度都为O(1)。
a = 1
b = 2
c = a + b
a +=1
2.对数阶O(logN):有while循环时。
def OlogN(num):
i = 1
while(i<num):
i = i*2
return i
3.线性阶O(n):有for循环时:算法的运行时间主要取决于num的大小N,时间复杂度为O(n)。
def ON(num):
for i in range(num):
total += i
return total
4.其他的几种大多是for循环以及while循环的嵌套或并列,如O(M+N),O(N²),O(nlongN),O(MN)等。
# O(M+N):
def OMN(num1,num2):
total = 0
for i in range(num1):
total +=i
for j in range(num2):
total +=j
return total
# O(N²):
def ON2(num):
total = 0
for i in range(num):
for j in range(num):
total += i +j
return total
# O(nlongN):
def OlongN(num):
total = 0
j = 0
for i in range(num1):
while(j < num2):
total += i +j
j = j*2
return total
2.空间复杂度:通常采用大O表示法。常见的空间复杂度量级:
- 常数阶O(1)
- 线性阶O(n)
- 平方阶O(n²)
空间复杂度主要就是看有没有产生新的内存空间,若算法执行所需要的临时空间不随着某个变量n的大小而变化,即此算法空间复杂度为一个常量,可表示为 O(1)。若新建了一个大小为N的数组(数据结构),则空间复杂度为O(N)。
评价一个算法的效率主要是看它的时间复杂度和空间复杂度情况。然而,有的时候时间和空间却又是「鱼和熊掌」,不可兼得的,那么我们就需要从中去取一个平衡点。现如今,人们的存储空间越来越大而时间越来越宝贵,空间复杂度相对来说没有那么重要,我们更加关注时间复杂度的大小。