如何理解算法的时间复杂度和空间复杂度

Big O notation

O(1) 常数复杂度
O(log n) 对数复杂度
O(n) 线性复杂度
O(n ^2)	平方
O(n ^3)	立方
O(2 ^n)	指数
O(n!) 阶乘

一段代码根据 n 的不同情况会运行多少次。

时间复杂度

写程序时考虑优化程序的时间复杂度。
n 越大，优化效果越明显。

以 1 累加到 n 为例:
1.累加计算：

int sum = 0;
for (int i = 1;i <= n;i++) {
    sum += i;
}

时间复杂度和 n 线性相关，所以为 O(n)。

2.公式计算：

sum = n * (n+1) /2

时间复杂度是常数，该代码块在运行时只会执行一次，所以为 O(1)。

递归条件下的时间复杂度

递归状态的递归树

以斐波那契数列为例:

int fib(int n) {
    if (n <= 2) {
	return 1;
    }
    return fib(n - 1) + fib(n - 2);
}

其时间复杂度为 2^n。

此时间复杂度显然不是最优，递归树的画法和斐波那契问题的优化可以看看这篇文章:
如何让递归的斐波那契数列跑的更快

时间复杂度的通用计算方法：Master Theorem

常见算法时间复杂度：

• 二分查找 O(log n)
• 二叉树遍历 O(n)
• 图的遍历 O(n)
• 归并排序 O(n log n)
• 搜索算法：DFS、BFS O(n)

空间复杂度

1.数组的长度
一般数组的最大长度，就是其对应的空间复杂度

2.递归的深度