动手刷力扣第一天——时间复杂度与空间复杂度

---

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。