算法之时间复杂度及空间复杂度

一、介绍

时间复杂度，引入百度的解释

时间频度一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。

在刚才提到的时间频度中，n称为问题的规模，当n不断变化时，时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此，我们引入时间复杂度概念。 一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n),使得当n趋近于无穷大时，T(n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=Ｏ(f(n)),称Ｏ(f(n)) 为算法的渐进时间复杂度，简称时间复杂度。

 

空间复杂度

 类似于时间复杂度的讨论，一个算法的空间复杂度(Space Complexity)S(n)定义为该算法所耗费的存储空间，它也是问题规模n的函数。渐近空间复杂度也常常简称为空间复杂度。

 

二、首先了解一下

计算时间复杂度记住这个规律：

1. 用常数1取代运行时间中的所有加法常数(3+5+5，都是常数，最后O(1))
2. 在修改后的运行次数函数中，只保留最高阶项（2n^3+2n^2+2n，最后O(n^3)）
3. 如果最高阶存在且不是1，则去除与这个项相乘的常数（1/3n^2 、3n^2，最后都是O(n^2)）

 

下面也是这个说法

对于大数据的比较的话，常常由图曲线等，判断时间复杂度

1、3、99、2000......................等，在算法来说，时间复杂度就是O(1)

2n、3n、9n、2n+1、4n+3......等，在算法来说，时间复杂度就是O(n)

更多的如下图

 

三、举例子说明怎么计算时间复杂度

根据上述知识点二的了解，下面我简单举三个例子说明计算时间复杂度

1、冒泡排序

次数取决于内层，内层for执行次数：n-1、n-2、n-3......1     一共执行（n-1 + 1）*（n-1）/ 2 即 (n^2-n) / 2

根据二所提的知识，可知，冒泡算法的时间复杂度为O(n^2)

 

2、如下普通代码

要执行多少次？设要执行x次，则会有2^x = n     所以就有x = log2n

所以该算法时间复杂度为O(logn)

 

3、复合程序计算时间复杂度

如上图，第一个for语句计算的是方法里面的时间复杂度为：O(n^2)

第二个for直接时间复杂度为O(n)

所以n^2 + n，程序时间复杂度为O(n^2)

 

四、空间复杂度

有时候可以用空间复杂度来换时间复杂度，比如要计算闰年时，假设只有一个范围，那我可以提前设定一个数组，存放这个范围，设1为标志为闰年，其它就不是。这样子就实现了用空间复杂度来换算法计算闰年，换时间复杂度了。