算法的时间复杂度和空间复杂度

你在北方的寒夜里四季如春，我在南方的艳阳里冻成傻逼，作为一名刚从北方放假回到南方的学生党，此时感觉受到了100t的伤害~（咳咳~不扯了，我在被窝的远方瑟瑟发抖的掏出小手写的这波帖子，求安（dian）慰（zan））。

书归正传哈，今天咱们要讲的就是算法的时间复杂度和空间复杂度，众所周知，算法是一个程序的灵魂，程序写的好与坏，关键在于它的执行效率要快，所占内存空间要小，因此要想对于某个问题得到最有效的算法，我们首先要去了解什么是算法的时间复杂度和空间复杂度，和如何计算一个算法的时间复杂度，并且如何优化。（传说中的终极三大步骤。是啥，为啥，该咋办）

一、算法的时间复杂度

1.什么是算法的时间复杂度

算法的时间复杂度就是在进行算法分析时，语句的总执行次数我们记为T(n)，它是关于问题规模n的一个函数，我们就是分析T(n)随n变化的情况以及确定n的数量级。我们把算法的时间复杂度T(n)来进行算法的时间度量，记作T(n)=O(f(n))。其实f(n)是算法的准确时间复杂函数，但由于我们现实生活中，n一般非常大，所以我们不用考虑具体的函数形式（函数的渐进增长，因此判断一个算法的效率，更关注的应该是最高阶的阶数），而只需要去考虑其增长率就可以了，所以我们又把T(n)叫做算法的渐进时间复杂度，简称为时间复杂度。这样用O()来表示时间复杂度的记法，我们把它叫做大O表示法。

我们如何去寻求关于一个问题最有效率的算法呢，其实就是去寻求当n增长时，T(n)增长最慢的算法（你也可以看成一阶导=。=）。

2.如何推导大O阶方法

上面咱们已经讲过什么是O表示法，那么问题来了，对于一个n规模的算法，如何求解其大O表示法呢，我只简单谈一谈我的经验：

①得到关于问题的f(n)函数，并只保留最高阶

②用常数1来替代所有的系数常数

大O表示法得到的可分为常数阶、线性阶、对数阶、平方阶、立方阶、指数阶、阶乘阶等等，因为在正常开发中我们的n的规模都会很大，因此像立方阶以上的算法我们基本不予考虑，所以大家在设计算法时尽量不要选择平方阶以上的算法，因此我们只介绍常数阶、线性阶、对数阶以及平方阶。（福利：常用的时间复杂度所消耗的时间从小到大排序为O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(2^n)<O(n!)<O(n^n)）

3.常数阶

常数阶的表示方法为O(1)，下面举个非常简单的例子：

int sum = 0，n = 100;//执行一次

sum = n*(n+1)/2;//执行一次

printf("%d", sum);//执行一次

大家按照我的计算方式：首先得到f(n)=3，最高阶就是常数阶3，第二步，把常数变为1，就得到了此算法的算法复杂度为O(1)，是不是灰常简单，其实其它阶的也可以这么算，不过对于有循环的，大家可以采取更加简便的方法进行运算（口算），预知详情，请往下看~

4.线性阶

什么叫做线性阶呢？其实就是一个f(n)是一个一元一次的函数，对应的大O阶为O(n)，下面再举个例子：

int i;

for(int i = 0;i < n;i++){//n次

//时间复杂度为O(1)的程序步骤序列

}

上方的计算仍然可以按照我们的计算方法，非常简单的就能够算出来其为O(n)，大家可能有疑问的就是时间复杂度为O(1)运算n次为啥就是O(n)，其实非常简单，就是你想把它看成几就看成几，反正就是一个常数（不随n变化而发生变化的数），按照我们提供的方法，运算出来仍然为O(n)，所以我们运算得时候就可以吧O(1)看成1，其它也如法炮制。

5.对数阶

给出下面一段代码，求其时间复杂度：

int i = 1;

while(i < n){

i = i*2;

}

这段代码非常简单，但有很多初学的同学会犯错误，就是看到有循环，没有嵌套，其就是O(n)，这种算法是错误的，按照咱们的方法：先算f(n),2^x=n,f(n)=x=logn(有个以2为底，抱歉，打不出来=。=，大家明白什么意思就可以了)，所以它复杂度为O(logn)

6.平方阶

平方阶O(n^2)，其出现必然会有一个必要条件，就是循环嵌套：

特别简单的例子就不举了，举一个稍微复杂一丢丢丢丢丢的：

void function(int count){

int j;

for(j = count;j < n;j++){

//时间复杂度为O(1)的程序序列

}

}

对于这段代码：

n++;//1

function(n);//n

int i,j;

for(i = 0;i < n;i++){//n*(n+1)/2

function(n);

}

for(i = 0;i < n;i++){//n*(n+1)/2

for(j = i;j < n;j++){

//时间复杂度为O(1)的程序序列

}

}

f(n) = 1+n*(n+1) so T(n)=O(n^2)

时间复杂度小结：我们所求的时间复杂度均为最坏时间复杂度，其实我们所期望的复杂度是平均复杂度，也就是所谓的平均时间，但现实中数学期望需要建立合适的数学模型去求解，一般的现实问题很难通过分析得到，所以，一般没有特殊说明的话，我们所求的就是最坏时间复杂度。

二、算法的空间复杂度

其实我们写算法时，往往时间复杂度和空间复杂度是有一定关系的，往往时间复杂度较少的算法可能所占用的空间（也就是空间复杂度要稍微高一些）。举个简单的例子，就是我们在学c语言时都接触过算闰年的算法，如果我们选取一个非常大的数组来存储各个年份，闰年记为1，不是记为0，那么我们的时间复杂度肯定为常数阶，但是可取么，因为我们浪费的空间非常大（也就是空间复杂度很大），所以，怎样去选择合适的算法，需要综合考虑。

算法的空间复杂度需要通过计算算法所需的存储空间来实现，其公式记为S(n)=O(f(n))，f(n)为关于n的所占存储空间的函数。

一般情况下，一个程序在机器上执行的时候，除需要存储程序本身的指令、常数、变量和输入数据之外，还要存储对数据操作的存储单元。若输入数据所占空间与算法本身没有关系，只取决于问题的本身，此时，只需要分析算法在实现的时候的的辅助单元所占用的存储空间即可，要是其辅助空间对于输入数据量而言是个常数，此算法成为原地工作，空间复杂度为O(1)。

一般的呢，我们用时间复杂度来度量运行时间的需求，空间复杂度来说明存储空间的需求。当然，我们计算一个算法的效率时重点还是要考虑时间复杂度的问题（从我写的篇幅就能看出来），祝大家代码快乐，回被窝睡觉了...喜欢记得点赞留言转发哦，不对的地方欢迎大家批评指正~~~