JavaScript时间和空间复杂度解析

首先我们要知道为什么需要分析这些复杂度？

任何一个程序最重要是准确性，即要确保程序能正常运行，实现预期功能。
但是，任何一个有价值的程序除了确保能正常运行，还要确保尽量短的运行时间和尽量少的运行空间，使程序正确高效执行得到预期效果。这就涉及时间复杂度分析和（空间复杂度分析），通过分析程序算法的时间复杂度可以找出运行时间尽量短的算法。
对于一些数据处理比较少的简单程序，不同算法使程序运行时间不同，但由于数据处理量少，这种运行时间的差别可以忽略。但是在实际应用中，很多程序往往涉及相当大量的数据处理，这就会导致实现同一个功能的程序，用不同算法，运行时间差别很大。有些算法可能只要几秒，有些算法却要几天才能得到结果。这时候，时间复杂度的分析就显得必要

时间复杂度和空间复杂度分别表示什么？
T(n) = O(f(n)); //时间复杂度
S(n) = O(f(n)); //空间复杂度

它们都叫做大O表示法，
T代表算法执行总时长，
S代表算法占用总空间，
f(n)代表执行的总次数。

时间复杂度：

举个例子：

function total(n) { // 1
      var sum = 0; // 2
      for (var i = 0; i < n; i++) { // 3
        sum += i; // 4
      } //5 
    } //6

上面的代码，在执行第二行的时执行了一次，暂且记做为１，第二行代码的迭代器，由于不知晓n的长度，所以暂且记做为n，第四行代码嵌套在迭代器中，所以也记做为n，所以他们的执行次数为 (2n+1)

再举个例子

 function total(n) { // 1
      var sum = 0; // 2
      for (var i = 0; i < n; i++) { // 3 
        for (var j = 0; j < n; j++) { // 4
          sum = sum + i + j; // 5
        }
      }
    }

按照之前的逻辑，第二行需要执行一次，第三行需要执行n次，第四行呢？大家都知道在迭代器中嵌套是互乘的关系，所以是n²，第五行的常亮嵌套在第四行中，所以它也是n²，总共计算所得(1+n+2n²)

所以由此得出，代码的总执行时间T(n)与每行代码的执行次数成正比
T(n) = O(f(n))
T(n)代表代码的执行时间，n代表数据规模的大小，f(n)代表代码执行次数综合，O代表代码的执行时间与f(n)成正比

所以上述的两个例子的结果(2n+1)和(1+n+2n²)就是大O时间复杂表示法，它并不是代码的真正执行时间，而是标识代码随着数据规模增长的变化趋势，简称为时间复杂度。
并且在n比较大的时候，常亮是不会起到决定性的作用，所以只保留一个最大量级即可，所以对上述两个结果简化所得(n)和(n²)。

如何快速分析一段代码的时间复杂度？
我们只需要关注循环次数最多的那一段代码即可

function total(n) { // 1
      var sum = 0; // 2
      for (var i = 0; i < n; i++) { // 3
        sum += i; // 4
      } //5 
    } //6

很明显，在第三和第四行代码执行次数是最多的，分别执行了n次，忽略常数项，所以这段代码的时间复杂度为O(n)

集中常见的时间复杂度分析：

类型	大O表示法	术语	说明
15	O(1)	常数阶	最低的时间复杂度，无论输入数据增大多少倍，耗时永远不变
3logn	O(logn)	对数阶	以２为底数的log，数据增大n倍，耗时更加logn倍，比如数据量增大２５６倍时，耗时只增大８倍，因为它术语二分查找法，每次取一半来进行排除，所以２５６个数据就只需要查找八次就可以找到目标
3n+5	O(n)	线性阶	去除常量，只剩下n，数据量增大几倍，耗时也增大几倍
5n^2+3n+1	O(n^2)	平方阶	n的平方，计算的复杂度随着数据量的平方根增长
6n^3+4n+2	O(n^3)	立方阶	n的立方，计算的复杂度随着数据量的立方根增长
2^n+1	O(2^n)	指数阶	左边为底数，右上角为指数，结果为幂，随着数据量的指数增长
n!+3	O(n!)	阶乘阶	n! = n*(n-1)，随着数据量的阶乘增长

空间复杂度

空间复杂度的推算和时间复杂度类似，唯一不同的是，空间复杂度表示算法的存储空间和数据规模之间的关系

举个例子：

function initArr(n) {
      var arr = [];
      for (var i = 0; i < n; i++) {
        arr[i] = i;
      }
    }

忽略掉常量，那么它的空间复杂度就是O(n)；

如何优化程序，降低时间和空间复杂度？

再举个例子：

function total(n) {
      var sum = 0;
      for (var i = 1; i < n; i++) {
        sum += i;
      }
      return sum;
    }

很明显，它的复杂度为O(n)，我们尝试把它降维O(1)，常数阶

function total(n) {
      var sum = n*(n+1)/2
      return sum;
    }

但更高层的延伸还可分为低中高的复杂度等级：

function find(n, x, arr) {
        let ind = -1;
        for (let i = 0; i < n; i++) {
          if (arr[i] === x){
             ind = i;
            break;
           } 
        }
        return ind;
      }

其中的if判断是一个位置的结果，因为你并不知道x这个值是在第一位还是在最后一位，所以还分为低中高的三个复杂度等级

总结

复杂度也叫渐进复杂度，包含了时间和空间复杂度，一个标识执行的时长，一个表示占用的内存，它们都用来分析算法执行效率与数据规模之前的增长关系，越高阶的复杂度算法，执行效率越低

参考文章：
https://www.jb51.net/article/167003.htm 时间和空间复杂度的浅析
https://zhuanlan.zhihu.com/p/54267154 时间和空间复杂度的等级划分
https://juejin.im/post/5c2a1d9d6fb9a04a0f654581 时间和空间复杂度的讲解