时间复杂度和空间复杂度

终于开始写自己的第一篇博文啦！！！！
虽然小胖已经工作了几年了，但是技术水平还是感觉非常的欠缺，有待提高，编码能力也普普通通，逻辑能力也比较菜，所以想着趁现在还年轻，实力提升一波 ，哈哈哈哈哈。。。。看了好多大神的代码，发觉大神的代码简洁有效率高，总结了几个方面吧！！！！
1.代码写的多
2.数据结构和算法比较好，能很好的利用里面的知识
所以决定提升先从数据结构和算法下手，哈哈和哈哈哈
今天主要分析一下代码的时间复杂度和空间复杂度是咋整的，面试中常会问道，这次拿下它，哈哈哈，如果小胖下面的理解或者分析有错误，请大佬们看到了及时的提出来哈，哈，哈
一、时间复杂度和空间复杂度
1.时间复杂度
我们一个算法的运行时间长短和效率，我们是用肉眼无法看出来的，只能进行运行之后才能大体的知道哪个算法的执行时间短，哪个算法的执行时间长，所以我们在写代码的时候要预估下时间。
在小胖看来，时间复杂度就是循环里面，最底层代码执行的次数与时间的关系，下面拉个例子来说下哈：

 int cal(int n) {                                
   int sum = 0;
   int i = 1;
   for (; i <= n; ++i) {
     sum = sum + i;
   }
   return sum;
 }

这段代码是求1+2+3+…+n求和运算
这段代码的每一行都执行着类似的操作：读数据-运算-写数据。
尽管每行代码对应的 CPU 执行的个数、执行的时间都不一样，
我们这里只是粗略估计，所以可以假设每行代码执行的时间都一样，为 unit_time。所以这段代码总的执行时间就是 (2n+2)*unit_time,
所以可以看出来所有代码的执行时间 T(n) 与每行代码的执行次数成正比。

按照这个思路再分析下面一段代码

int cal(int n) {
   int sum = 0;
   int i = 1;
   int j = 1;
   for (; i <= n; ++i) {
     j = 1;
     for (; j <= n; ++j) {
       sum = sum +  i * j;
     }
   }
 }

我们整段代码总的执行时间 T(n) = (2n*n+2n+3)*unit_time

所以我们得到的规律是所有代码的执行时间 T(n) 与每行代码的执行次数 n 成正比。
也可以用公式T(n)=O(f(n))
所以上面俩段代码的时间复杂度为
T(n)=O(2n+2)
T(n)=O(2n*n+2n+3)

从公式中可以看出代码执行时间，随f(n)取值变化而变化，f(n)越大，执行时间越长，效率越低，反之反之。
而通常情况下，我们忽略公式中的常数，低阶，系数部分，所以上面的俩段代码时间复杂度是：
1.T(n)=O(n)
2.T(n)=O(n*n)

下面我们接着分析一段代码：

int cal(int n) {
   int sum_1 = 0;
   int p = 1;
   for (; p < 100; ++p) {
     sum_1 = sum_1 + p;
   }

   int sum_2 = 0;
   int q = 1;
   for (; q < n; ++q) {
     sum_2 = sum_2 + q;
   }
 
   int sum_3 = 0;
   int i = 1;
   int j = 1;
   for (; i <= n; ++i) {
     j = 1; 
     for (; j <= n; ++j) {
       sum_3 = sum_3 +  i * j;
     }
   }
 
   return sum_1 + sum_2 + sum_3;
 }

根据上面的分析方法，我们很容易得出这段代码的时间复杂度：
T(n)=O(n*n)

3.对于嵌套代码如何求时间复杂度
下面再看一段代码，直接上代码

int cal(int n) {
   int ret = 0; 
   int i = 1;
   for (; i < n; ++i) {
     ret = ret + f(i);
   } 
 } 
 
 int f(int n) {
  int sum = 0;
  int i = 1;
  for (; i < n; ++i) {
    sum = sum + i;
  } 
  return sum;
 }

我们单独看 cal() 函数。假设 f() 只是一个普通的操，，那第 4～6 行的时间复杂度就是，T1(n) =O(n)。但 f() 函数本身不是一个简单的操作，它的时间复杂读是T2(n) = O(n)，所以，整个 cal()函数的时间复杂度就是，T(n) = T1(n) * T2(n) = O(n*n)

还有几种常见的时间复杂度
（1）O(1)
如：

int i = 8;
int j = 6;
int sum = i + j;

（2）O(logn)、O(nlogn)
如：

 i=1;
 while (i <= n)  {
   i = i * 2;
 }

此段代码为了一个等比数列an=i2 T(n)=log2N
3. O(m+n)、O(mn)
如下：

int cal(int m, int n) {
  int sum_1 = 0;
  int i = 1;
  for (; i < m; ++i) {
    sum_1 = sum_1 + i;
  }

  int sum_2 = 0;
  int j = 1;
  for (; j < n; ++j) {
    sum_2 = sum_2 + j;
  }

  return sum_1 + sum_2;
}

T(n)=O(m+n)

二、空间复杂度分析
空间复杂度就是代码占用空间的多少
直接上代码：

void print(int n) {
  int i = 0;
  int[] a = new int[n];
  for (i; i <n; ++i) {
    a[i] = i * i;
  }

  for (i = n-1; i >= 0; --i) {
    print out a[i]
  }
}

第 2 行代码中，我们申请了一个空间存储变量 i，但是它是常量阶的，跟数据规模 n 没有关系，所以我们可以忽略。第 3 行申请了一个大小为 n 的 int，除此之外，剩下的代码都没有占用更多的空间，
所以整段代码的空间复杂度就是 O(n)。
我们常见的空间复杂度就是 O(1)、O(n)、O(n2 )，像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到。而且，空间复杂度分析比时间复杂度分析要简单很多，所以，对于空间复杂度，掌握刚我说的这些内容已经足够了。

总结：
复杂度也叫渐进复杂度，包括时间复杂度和空间复杂度，用来分析算法执行效率与数据规模之间的增长关系，可以粗略地表示，越高阶复杂度的算法，执行效率越低。常见的复杂度并不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n2 )。

刷题，多练才是王道！！！！！！