时间复杂度和空间复杂度

1.算法效率

算法效率分析分为两种：第一种是时间效率，第二种是空间效率。时间效率被称为时间复杂度，而空间效率被称作空间复杂度。 时间复杂度主要衡量的是一个算法的运行速度，而空间复杂度主要衡量一个算法所需要的额外空间，在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。

2.时间复杂度

2.1 概念

算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。算法中的基本操作的执行次数，为算法的时间复杂度。

2.2 大O的渐进表示算法

// 请计算一下Func1基本操作执行了多少次？
void Func1(int N) {
	int count = 0;
	for (int i = 0; i < N; ++i) {
		for (int j = 0; j < N; ++j)
		{
			++count;
		}
	}
	for (int k = 0; k < 2 * N; ++k) {
		++count;
	}
	int M = 10;
	while (M--) {
		++count;
	}
	printf("%d\n", count);
}

Func1执行的基本操作次数：F(N)=N^2+2*N+10.
其实在实际中我们计算时间复杂度时，不一定要计算精准的执行次数，只需要大概执行次数，那么在这里我们使用大O的渐进表示法。
下面给出推导大O阶方法：
1.用常数1取代运行时间中的所有加法常数。
2.在修改后的运行次数函数中，只保留最高阶项。
3.如果最高阶项存在且不是1，则去除与这个项目相乘的常数（去掉系数）。得到的结果就是大O阶。

使用大O的渐进表示法后，Func1的时间复杂度为：O(N^2)。

2.3 时间复杂度例题

下面给出例题：
例一：

// 计算阶乘递归Factorial的时间复杂度？
long long Factorial(size_t N) {
return N < 2 ? N : Factorial(N-1)*N; }

例一解答：基本操作递归了N次，时间复杂度为O(N)。

例二：

// 计算斐波那契递归Fibonacci的时间复杂度？
long long Fibonacci(size_t N) {
return N < 2 ? N : Fibonacci(N-1)+Fibonacci(N-2);
}

例二解答：基本操作递归了2的N次方次，时间复杂度为O(2^N)。

2.4 情况分类

另外有些算法的时间复杂度存在最好、平均和最坏情况：
最好情况：任意输入规模的最小运行次数(下界)
平均情况：任意输入规模的期望运行次数
最坏情况：任意输入规模的最大运行次数(上界)

在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)。

3.空间复杂度

空间复杂度是对一个算法在运行过程中临时占用存储空间大小的量度 。空间复杂度不是程序占用了多少bytes的空间，因为这个也没太大意义，所以空间复杂度算的是变量的个数。空间复杂度计算规则基本跟实践复杂度类似，也使用大O渐进表示法。

例：

// 计算阶乘递归Factorial的时间复杂度？
long long Factorial(size_t N) {
return N < 2 ? N : Factorial(N-1)*N; }

例题解答：递归调用了N次，开辟了N个栈帧，每个栈帧使用了常数个空间。空间复杂度为O(N)。