数据结构与算法必备知识点：复杂度复杂度

数据结构与算法必备知识点：复杂度

一般来说，复杂度可以分为 时间复杂度 和 空间复杂度 ,有时还会有 编码复杂度 。

1.时间复杂度

时间复杂度是算法需要执行基本运算的次数所处的等级。基本运算类似于加减乘除这种计算机可以直接实现的运算。

举个简单的例子,下面是一个for循环,用来计算数组a中元素的和：

for(int i =0 ; i < n; i++){
    sum = sum + a[i];
}

就这段代码来说,for循环执行了n次，因此共有n次运算，而下面的代码加了两次a[i],因此共有2n次运算。

for(int i =0 ; i < n; i++){
    sum = sum + a[i];
    sum = sum + a[i];
}

n次基本运算与2n次基本运算当n的规模增大时的增长趋势都是相同的(都是线性增长)，所以把 O(n) 称作上面两段代码的时间复杂度

再来看一段代码：

for(int i = 0; i < n; i++){
    for(int j = 0; j < n; j++){
        sum += a[i][j];
    }
}

这段代码的时间复杂度为 O($n^2$), 基本运算次数为 $n^2$ 。

在时间复杂度中，高等级的幂次会覆盖低等级的幂次，
因此 O($3n^2$+n+2) = O($3n^2$) = O($n^2$) 成立

除了上面这些，还有各种各样的时间复杂度。常数复杂度 O(1) 表示算法消耗的时间不随规模的增长而增长。

常用时间复杂度的大小比较：
O(1)<O($lo{g}_n$)<O(n)<O($n^2$)

2.空间复杂度

和时间复杂度类似的写法，表示算法需要消耗的最大数据空间。
例如对于某个算法来说，如果其消耗的最大数据空间是一个二维数组，那么这个算法的空间复杂度是O($n^2$)

3.编码复杂度

编码复杂度是一个定性的概念，并没有什么量化的标准。对于一个问题来说，如果用了冗长的算法思想，那么代码量就会非常巨大，其编码复杂度就会非常大。