时间复杂度&空间复杂度

前言:

之前在公司中，培训的时候，经常听到一个词叫时间复杂度、空间复杂度，每次别人都是插一嘴的，简单介绍下，我都是云里雾里的听，培训完就忘得一干二净了，今天终于花时间给它整明白了！！！

基本概念：

语句频段：基本操作或语句执行的次数总和，称之为语句频段，记作f(n)

时间复杂度：算法或程序中基本操作或语句执行的次数总和，称之为时间复杂度，记作T(n),

且T(n) = O(f(n))

空间复杂度：表示算法的存储空间和数据规模之间的关系，度是对一个算法在运行过程中临时占用存储空间大小的一个量度。

空间复杂度的算法和时间复杂度算法类似

目的：

了解时间复杂度和空间复杂度，是为了让我们知道如何让你写的代码运行效率更高，占用空间更小

实例讲解：

假设每行的执行耗时都是一样的，都是t

时间复杂度

常数阶复杂度 O(1)

语句频度： f(n) = t + 1000t + 1000t + t = 2002t

时间复杂度：T(n) = O(f(n)) = O(2002) = O(1)

像这种不随着n的增大而增大，就叫常数阶复杂度  O(1) 。 并不表示代码只有一段

线性阶复杂度 O(n)

语句频度： f(n) = t + nt+ nt+ t = (2n+2)t

时间复杂度：T(n) = O(f(n)) = O(2n+2) = O(n)

当 n 很大时，我们可以忽略常数项，只保留一个最大量级即可，所以上述的时间复杂度可以简单的标记为O(n)

 平方阶复杂度 O(n^2)

 

语句频度： f(n) = t + nt+ n^2t + n^2t + t = (2n^2 + n + 2)t

时间复杂度：T(n) = O(f(n)) = O(2n2 + n + 2) = O(n^2)

对数阶复杂度O(logn)

上面函数total1和total2有一个相同点：变量 i 从 1 开始取值，每循环一次乘以 2，当大于 n 时，循环结束。

所以真正循环了x次。2x =n;，所以 x = log2n。

所以上面两个函数时间复杂度都是 O(log2n)。

其他复杂度O(m+n)和O(m*n)

 

由于我们无法估量m和n，谁的量级更大，所以不能忽略任何一个

复杂度累计原则：

语句频度： f(n) = t + nt+ n^2t + n^2t + t + 1000t + 1000t + t + nt + nt +t = (2n^2+ 3n+2004)t

时间复杂度：T(n) = O(f(n)) = O(2n2 + n + 2) = O(n^2)

常见的复杂度：

 上面的时间复杂度可以分为两类：多项式量级（n不是作为底数的阶乘）和非多项式量级（n是作为底数的阶乘）。非多项式量级只有两个：O(2n) 和 O(n!)

当数据规模 n 增长时，非多项式量级的执行时间就会急剧增加，所以，非多项式量级的代码算法是非常低效的算法。越高阶复杂度的算法，执行效率也越低。

时间复杂度的算法总结如下：

1、将所有的时间复杂度进行累加

2、去掉时间复杂度中所有的常量

3、取最大的时间复杂度

空间复杂度

案例：

语句频度： f(n) = t + nt+ nt = (2n+1)t

空间复杂度：T(n) = O(f(n)) = O(2n+1) = O(n)

空间复杂度和时间复杂度算法一致，常见的空间复杂度：O(1)、O(n)、O(n^2)、O(n^3)

下面让我们来看下几个有意思的案例：如何进行时间复杂度优化

由上面的例子可以看出累加的时间复杂度是O(n)，那如何进行优化呢，优化到时间复杂度是O(1)

 高中的时候，我们学了一个等比数列，对于累加器可以换成等比数列进行求和

 

上面一段代码的时间复杂度是O(n)，下面一段时间复杂度是O(1),这样我们时间复杂度就由原来的O（n）降为O(1)

还有一段经典的代码，时间冒泡排序由原来的O(n^2)变为最佳的是O(n)

语句频度： f(n) =2 + (n-1) + 5n(n-1)/2  = 5n2/2-3n/2+2

空间复杂度：T(n) = O(f(n)) = O(2n+1) = O(n)

加入了交换标志didSwap，i=0第一遍遍历，进行n-1次比较，因为数组本身正序不会进行任何一次交换，那么第一遍遍历完交换标志didSwap依然为false，算法直接返回结束。

只进行一次遍历，n-1次比较，算法就结束，显然冒泡排序最佳情况的时间复杂度是O(n)。