时间复杂度和空间复杂度分析

时间维度：是指执行当前算法所消耗的时间，我们通常用「时间复杂度」来描述。

空间维度：是指执行当前算法需要占用多少内存空间，我们通常用「空间复杂度」来描述。

Big O notation （时间复杂度）

O(1):Constant Complexity 常数复杂度    比如运算了1,2,3,4...n次 常数次

O(log (n)):Logarithmic Complexity 对数复杂度  

O(n):Linear Complexity 线性时间复杂度      比如运算了n，2n,3n次

O(nˆ2):N square Complexity 平方   比如嵌套了两层

O(nˆ3):N cubic Complexity 立方  比如嵌套了三层

O(2ˆn):Exponential Growth 指数

O(n!):Factorial 阶乘

那么具体的一个程序如何分析这个时间复杂度

举个例子：

O(1)

int num = 100;
System.out.println("num = "+n);

只执行了一次

O(？)

int num = 100;
System.out.printLn("num1 -"+num);
System.out.printLn("num2 -"+num);
System.out.printLn("num3 -"+num);

虽然执行了3次，但是也就执行了3次。因为执行的次数为常量，所以也是O（1）

O(log (n)) 

for(int i =1;i<n;i=i*2){
    System.out.println("num ="+i);
}

如果当前n为4的话当前只执行了2次，所以执行的次数为log(2n),也就是O(log (n)) 

O(N)  

for(int i=1;i<n;i++){
System.out.println("num =" +i);
}

n是多少就会执行多少次，所以为O(N)  ,假如有并列的for循环如下

for(int i=1;i<n;i++){
System.out.println("num =" +i);
}
for(int m=1;m<n;m++){
System.out.println("num =" +m);
}

其实运行的次数为2n次，那么它的时间复杂度也是为O(N)  

O(nˆ2)

for(int i=1;i<n;i++){
    for(int m=1;m<n;m++){
    System.out.println("num1 =" +i+" num2="+m);
    }
}

当前如果n为10的话，就会输出100次，所以这种就是O(nˆ2)  平方式次数

如果是三次嵌套的话就是O(nˆ3)，如果是有并列的话还是当前的时间复杂度

O(Kˆn):

private int number(int n){
    if(n<2) return n;
    return number(n-1)+number(n-2);
}

递归的程序，那么递归的程序如何分析时间复杂度

举个例子：

Fib:0,1,1,2,3,5,8,13,51,34,...

正常的表达式为F(n) = F(n-1) +F(n-2)

直接用递归

int fib(int n){

    if(n<2) renturn n;

    return fib(n-1) + fib(n -2)

}

 

由上面可得成指数增长为2的n次幂

以上的时间复杂度，n比较小的时候都差不多，但是随着n变大，时间复杂度排序 O(1) → O(log (n)) → O(N) → O(nˆ2) → O(nˆ3) → O(2ˆn) → O(n!)

空间复杂度

空间复杂度比较常用的有：O(1)、O(n)、O(n²)

空间复杂度 O(1)

如果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)

举例

int i = 1;
int j = 2;
++i;
j++;
int m = i + j;

代码中的 i、j、m 所分配的空间都不随着处理数据量变化，因此它的空间复杂度 S(n) = O(1)

空间复杂度 O(n)

int[] m = new int[n]
for(i=1; i<=n; ++i)
{
   j = i;
   j++;
}

这段代码中，第一行new了一个数组出来，这个数据占用的大小为n，这段代码的2-6行，虽然有循环，但没有再分配新的空间，因此，这段代码的空间复杂度主要看第一行即可，即 S(n) = O(n)

以上，就是对算法的时间复杂度与空间复杂度基础的分析，欢迎大家一起交流