时间复杂度与空间复杂度

时间复杂度

时间复杂度的定义：在计算机科学中，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。一个算法所花费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法的时间复杂度。
实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数。时间复杂度常用大O符号表述，不包括这个函数的低阶项和首项系数。

为了分析一个程序的时间复杂度和空间复杂度我们使用大O渐进表示法来表示程序的执行时间或占用空间随数据规模的增长趋势。

大O渐进表示法就是将代码的所有步骤转换为关于数据规模n的公式项，然后排除不会对问题的整体复杂度产生较大影响的低阶系数项和常数项。

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。得到的结果就是大O阶。

另外有些算法的时间复杂度存在最好、平均和最坏情况：
最坏情况：任意输入规模的最大运行次数(上界)
平均情况：任意输入规模的期望运行次数
最好情况：任意输入规模的最小运行次数(下界)
在实际中一般情况关注的是算法的最坏运行情况，以此来表示算法复杂度。

接下来结合具体代码例子体会用大O渐进表示法表示程序的时间复杂度。

实例1

void func(int N) {
   
    int count = 0;
    for (int k = 0; k < 2 * N; k++) {
    
        count++;
    }
    int M = 10;
    while ((M--) > 0) {
    
        count++;
    }
    System.out.println(count);