通过代码实现功能,可能代码执行结果相同,但内部逻辑不同,导致执行时间和内存(空间)的使用就不尽相同。那么就能从时间维度和空间维度来判断一段代码的优劣。
- 时间维度:是指执行所消耗的时间,采用名词 【时间复杂度】
- 空间维度:是指执行占用的内存空间,采用名词【空间复杂度】
一、时间复杂度
1.基本计算逻辑
为了记录时间复杂度,数据结构推出了大 O 记法来表示运行时间。
大 O 记法的表示方法也很简单,格式如下:
O(频度)
数据结构中,每条语句的执行次数,又被称为该语句的频度。整段代码的总执行次数,即整段代码的频度。
拿最简单的for循环来说
for(int i = 0 ; i < n ; i++) //执行 n+1 次
{
a++; //执行 n 次
}
此代码的频度为n+1+n = 2n+1;值得一提的是,不同程序的运行时间,更多场景中比较的是在最坏条件下程序的运行时间。以上面这段程序为例,最坏条件即指的是当 n 都为无限大时此段程序的运行时间; 当n趋近于无穷大时,2n+1等同于n
上述代码时间复杂度可表示为:
T(n) = O(n)
2.常见的时间复杂度
O(1)常数阶 < O(logn)对数阶 < O(n)线性阶 < O(n^2)平方阶 < O(n^3)(立方阶) < O(2^n) (指数阶)
1)O(1)常数阶
如果一段代码中,不包含循环或者循环次数固定,则时间复杂度就是O(1);或者换种说法,执行次数不会随着n的变化而变化,时间复杂度就是O(1)
int i = n;
int j = n*n;
int k = i*j;
2)O(logn)对数阶
此种时间复杂度未在具体业务场景中遇到过,但代码类似于
int i= 1;
while(i < n)
{
i= i * 2;
/* 时间复杂度为O(1)的程序步骤 */
}
此代码的频度为:log₂n,在对数阶时间复杂度的表示方法里,我们忽略对数的“底”,统一表示为 O(logn),所以,这个循环的时间复杂度就是O(logn)
3)O(n)线性阶
参考上方描述
4)O(n^2)平方阶
for(int i = 0 ; i < n ; i++) // n+1
{
for(int j = 0 ; j < m ; j++) // n*(m+1)
{
}
}
此代码的频度为:(n+1)+n*(m+1),由于m,n都是变量,当都趋近于无穷时,这个方法的时间复杂度为O(n^2)
5)O(n^3)(立方阶)
与4)类似,不再阐述
6)O(2^n) (指数阶)
递归调用时间复杂度是指数阶,斐波那契数列代码的频度为 2^(n-2) + 1,所以它的时间复杂度就是O(2^n)
public static int fib1(int n) {
if(n <= 2) {
return 1;
}
return fib1(n - 1) + fib1(n - 2);
}
二、空间复杂度
基本计算逻辑
所占用的存储空间和输入值无关,则该程序的空间复杂度就为 O(1);反之,如果有关,则需要进一步判断它们之间的关系:
- 如果随着输入值 n 的增大,临时空间成线性增长,则程序的空间复杂度用 O(n) 表示
- 如果随着输入值 n 的增大,临时空间成 n^2 关系增长,则程序的空间复杂度用 O(n^2) 表示
- 如果随着输入值 n 的增大,临时空间成 n^3 关系增长,则程序的空间复杂度用 O(n^3) 表示
- 递归算法的空间复杂度 = 每次递归的空间复杂度 * 递归深度
这里还拿斐波那契数列举例,每次递归的临时空间是固定的,不用管是具体多少,可以记为O(1),递归深度是 n-2,所以斐波那契数列的空间复杂度是O(n)