关于时间复杂度和空间复杂度

写在前面的话: 这里写logN就表示以2为底数,因为2为底数打不出来哈哈哈

时间复杂度

• 用于评价一个算法流程的好坏.
  • 先看时间复杂度的指标(再看常数项),即(N^2)/100 + 10N + 1我们也看成时间复杂度是O(N^2),其中N就是样本量 .
  • 然后再分析不同数据样本下的实际运行时间.
• 常数时间的操作:
  • 概念:一个操作如果和数据量没有关系,每次都是固定时间内完成的操作,就叫做常数操作,例如加减乘除,位运算操作,数组寻址(就是根据下标获取数组中的元素,比如a[1])等.
• ***时间复杂度为一个算法流程中,最差情况下常数操作数量的指标.常用O表示(读作big O),具体来说,在常数操作数量的表达式中,不要低阶项,只要高阶项,并且忽略掉高阶项的系数,剩下的部分如果记作f(N),那么时间复杂度为O(f(N))***.
• 几个简单的理解时间复杂度的例子:
  1. 一个有序数组A,另一个无序数组B,请打印B中的所有不在A中的数,A数组长度为N,B数组长度为M.
     • 算法流程1:
       • 对于数组B中的每一个数,都在A中通过***遍历***的方式找一下.
       • 很明显该算法的时间复杂度特别大,遍历一次代价为O(N),一共M个数,所以总的代价为O(M*N).
     • 算法流程2:
       • 对于数组B中的每一个数,都在A中通过***二分***的方式找一下.
       • 二分搜索,比如针对一个***有序(假定是从小到大)***的数组,假设我要找2有没有在这个数组里.
         • 我先找到中间位置的数,看比2大还是小.
           • 比2大,因为是从小到大排序的,所以中间右边的数字一定比2大,我们就在左边继续划分一半一半地找,直到没有了或者找到了为止.
           • 比2小,说明中间左边的数字一定比2小,我们就在右边继续划分一半一半地找,直到没有了或者找到了为止.
           • 等于2,就直接返回
       • 在这个过程中,我们数组寻址和两个数比较的过程都是常数操作时间的O(1),每次砍一半,这样下来,常数操作次数为logN(以2为底),即一个数组长度为8,最多砍3次.
       • 由此可见,二分查找的时间复杂度为O(logN),以2为底
       • 因此我们也可以推出,查找一次的时间复杂度为O(logN),一共有M个数,时间复杂度则为(MlogN).
     • 算法流程3:
       • 先把B数组排序,然后用类似***外排***的方式打印所有在A中出现的数.
       • 思路就是,B排序后,两个数组同时从0位置开始,即A[i]和B[i]互相比较.
         • 若A[i] > B[i],则B[i]肯定不在A数组中,打印B[i],然后B数组下标++.
         • 若A[i] < B[i],B数组下标不动,A数组下标++.
         • 若A[i] == B[i],A数组下标不动,B数组下标++.
       • 针对这个流程
         • 第1步:排序的时间复杂度,可以达到NlogN.
         • 第2步:快排,时间复杂度为O(N + M)(N,M为A和B数组长度).
       • 由此可见,该流程的时间复杂度为NlogN + O(N + M).
     • 三个流程,三种时间复杂的表达…我们应该如何分析其好坏?
  2. 给长度为N的数组排序(其中寻址,比较操作都是常数级别的).
     • 第一次从0-(N-1)中找出最小值min放在第0个位置,过N个数.
     • 第二次从1-(N-1)中找出最小值min放在第1个位置,过N-1个数.
     • …以此类推.
     • 一共需要找的次数为(N + (N-1) + ... + 2 + 1),这是一个等差数列,其和为n(n + 1) / 2(这个就可以理解为常数操作数量的表达式),再乘以一个O(1)(它是单次操作所需要的时间),即(n(n + 1) / 2) O(1).
     • 估算其时间复杂度是这样子的:
       • 不要低阶项,只要高阶项,并且忽略掉高阶项的系数.
       • 由此推出上述排序算法时间复杂度为O(n^2).

空间复杂度

• 空间复杂度其实很好想,开辟了几个新的空间,那就是几,比如我一个循环,循环过程中我新开辟了一个长度为10的数组来存储数据,那么空间复杂度就是O(10),以冒泡排序为例,当两个数需要交换时,我们就会定义一个中间变量temp,这就是我们唯一新开辟空间的地方,这时我们就说冒泡排序的空间复杂度为O(1).