一:什么是复杂度
复杂度也叫渐进复杂度,包括时间复杂度和空间复杂度,用来分析算法执行效率与数据规模之间的增长关系,可以粗略地表示,越高阶复杂度的算法,执行效率越低。常见的复杂度并不多,从低阶到高阶有:O(1)、O(logn)、O(n)、O(nlogn)、O(n^2 )。
二:时间复杂度
时间复杂度也叫渐进时间复杂度,表示代码执行时间随数据规模增长的变化趋势,大O()表示法记为O(n)。
三:时间复杂度分析
1. 只关注循环执行次数最多的一段代码
2. 加法法则:总复杂度等于量级最大的那段代码的复杂度
3. 乘法法则:嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
四:几种常见的时间复杂度
可以粗略地分为两类,多项式量级和非多项式量级。其中,多项式两级有O(1)、O(logn)、O(n) 、O(nlogn)、O(n^2)、O(n^3)…… , 非多项式量级只有两个:O(2^n) 和 O(n!)。
1.O(1)
一般情况下,只要算法中不存在循环语句、递归语句,即使有成千上万行的代码,其 时间复杂度也是Ο(1)。
2.O(logn)、O(nlogn)
实际上,不管是以 2 为底、以 3 为底,还是以 10 为底,我们可以把所有对数阶的时间 复杂度都记为 O(logn),如果一段代码的时间复杂度是 O(logn),我们循环执行 n 遍,时间复 杂度就是 O(nlogn) 了。
3.O(m+n)、O(m*n)
代码的复杂度由两个数据的规模来决定,m 和 n 是表示两个数据规模。我们无法事先 评估 m 和 n 谁的量级大,所以我们在表示复杂度的时候,就不能简单地利用加法法则,省 略掉其中一个。所以,时间复杂度就是 O(m+n),但是乘法法则继续有效:T1(m)*T2(n) = O(f(m) * f(n))。
四:空间复杂度
时间复杂度的全称是渐进时间复杂度,表示算法的执行时间与数据规模之间的增长关系。类比一下,空间复杂度全称就是渐进空间复杂度(asymptotic space complexity),表示算法的存储空间与数据规模之间的增长关系。
我们常见的空间复杂度就是 O(1)、O(n)、O(n2 ),像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到。而且,空间复杂度分析比时间复杂度分析要简单很多。