时间复杂度和空间复杂度

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)