算法与数据结构学习总结---算法复杂度

算法学习—算法复杂度

1. 数据结构和算法本质上是”快“和"省"。所以代码的执行效率是非常重要的度量
2. 我们采用时间复杂度和空间复杂度来计算

1. 时间复杂度—大O复杂度表示法

1. 我们假设执行上图一行代码的时间为t，通过估算，代码的执行时间T(n)与执行次数成正比，记做:T(n)=O(f(n))

   1. T(n)： 代码执行时间
   2. n：数据规模
   3. f(n)：每行代码执行次数总和
   4. O：代码的执行时间与f(n)表达式成正比
   5. 上面的例子中的T(n)=O(2n+2)
   6. 当n无限大时，低阶、常量、系统都可以忽略
   7. 所以T(n)=O(n)
   8. 所以时间复杂度为O(n)，也就是代码执行时间随着数据规模的增加而增长

2. 下图中，T(n)=O(n*n)，也就是代码执行时间随着数据规模的增加而平方增长，所以时间复杂度为O(n^2)，时间复杂度也成为渐进时间复杂度。
   

2. 计算时间复杂度的技巧

1. 计算循环执行次数最多的代码
2. 总复杂度=量级最大的复杂度
3. 如下图所示：时间复杂度为O(n^2)，因为嵌套代码的复杂度等于嵌套内外代码复杂度的乘积(乘法法则)
   

3. 常见的时间复杂度

1. O(1)：
   1. 这种是最简单的，也是最好理解的，就是常量级
   2. 不是只执行了一行代码，只要代码的执行不随着数据规模(n)的增加而增加，就是常量级
   3. 在实际应用中，通常使用冗余字段存储来将O(n)变成O(1)，比如Redis中有很多这样的操作用来提升访问性能
   4. 比如:SDS、字典、跳跃表等
2. O(logn)、O(nlogn)：
   1. 如下图所示：
   2. 如果2 =n，x=log n，忽略系数为logn，那么T(n)=O(logn），如果将该代码执行n遍 则时间复杂度记录为:T(n)=O(n*logn），即O(nlogn)
   3. 快速排序、归并排序的时间复杂度都是O(nlogn)
      
3. O(n)：
   1. 很多线性表的操作都是O(n),这也是最常见的一个时间复杂度
   2. 比如：数组的插入删除、链表的遍历等
4. O(m+n)：
   1. 如下图所示，代码的时间复杂度由两个数据的规模来决定
   2. m和n是代码的两个数据规模，而且不能确定谁更大，此时代码的复杂度为两段时间复杂度之和，即：T(n)=O(m+n)，记作：O(m+n)
      
5. O(m*n)：
   1. 根据乘法法则代码的复杂度为两段时间复杂度之积，即T(n)=O(mn)，记作：O(mn)，当m==n时,为O(n^2)
      

4. 空间复杂度

1. 空间复杂度全称是渐进空间复杂度，表示算法的存储空间与数据规模之间的增长关系
2. 比如将一个数组拷贝到另一个数组中，就是相当于空间扩大了一倍:T(n)=O(2n)，忽略系数。即为：O(n)，这是一个非常常见的空间复杂度，比如跳跃表、hashmap的扩容
3. 此外还有:O(1)，比如原地排序、O(n ) 此种占用空间过大
4. 由于现在硬件相对比较便宜，所以在开发中常常会利用空间来换时间，比如缓存技术，典型的数据结构中空间换时间是：跳跃表
5. 在实际开发中我们也更关注代码的时间复杂度，而用于执行效率的提升