算法复杂度（时间复杂度、空间复杂度）

算法时间复杂度定义

在进行算法分析时，语句总的执行次数T(n)是关于问题规模n的函数，进而分析T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度，也就是算法的时间量度，记作：T(n)=O(f(n))。

它表示随问题规模n的增 大，算法执行时间的增长率和f(n)的增长率相同，称作算法的渐近时间复杂度，简称为时间复杂度。其中f(n)是问题规模n的某个函数。这样用大写O( )来体现算法时间复杂度的记法，我们称之为大O记法。一般情况下，随着n的增大，T(n)增长最慢的算法为最优算法。

下面按从快到慢的顺序列出五种常见的大O运行时间：

常用的时间复杂度所耗费的时间从小到大依次是：
O(1)<O(logn)<O(n)<O(nlogn)<O(n^2 )<O(n^3 )<O(2^n )<O(n!)<O(n^n )

时间复杂度

用大O符号表示法

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，则去除与这个项相乘的常数。得到的结果就是大O阶。

O(1) 常数阶

int sum = 0,n = 100; /* 执行一次 */
sum = (1 + n) * n / 2; /* 执行一次 */
printf("%d", sum); /* 执行一次 */

O(n) 线性阶

int i;
for (i = 0; i < n; i++)
{
/* 时间复杂度为O(1)的程序步骤序列 */
}

O(logn)对数阶

int count = 1;
while (count < n)
{
count = count * 2;
/* 时间复杂度为O(1)的程序步骤序列 */
}

O(nlogn)线性对数阶

for(int i=0;i<n;i++)
{
    int tmp=1;
    while(tmp<n)
        tmp=tmp*2;
}

O(n^2 )叫平方阶

int i, j;
for (i = 0; i < n; i++)
{
	for (j = 0; j < n; j++)
	{
	/* 时间复杂度为O(1)的程序步骤序列 */
	}	
}

O(2^n)指数阶

long aFunc(int n)
{    
	if (n <= 1) 
	{        
       	 return 1;
	}         
    return aFunc(n - 1) + aFunc(n - 2);
}

空间复杂度

算法的空间复杂度通过计算算法所需的存储空间实现，算法空间复杂度的计算公式记作：S(n)=O(f(n))，其中，n为问题的规模，f(n)为语句关于n所占存储空间的函数。
一般情况下，一个程序在机器上执行时，除了需要存储程序本身的指令、常数、变量和输入数据外，还需要存储对数据操作的存储单元。若输入数据所占空间只取决于问题本身，和算法无关，这样只需要分析该算法在实现时所需的辅助单元即可。若算法执行时所需的辅助空间相对于输入数据量而言是个常数，则称此算法为原地工作，空间复杂度为O(1)。
通常，我们都使用“时间复杂度”来指运行时间的需求，使用“空间复杂度”指空间需求。当不用限定词地使用“复杂度”时，通常都是指时间复杂度。

O(1)

nt i = 1;
int j = 2;
int m = i+j;

O(n)

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

O(n^2)

int i,j;
int b[][n];
int a[][n];
for(i=0;i<n;i++)
    for(j=0;j<n;j++)
        a[i][j]=b[i][j];

递归空间复杂度

​ 递归算法的空间复杂度 = 每次递归的空间复杂度 * 递归深度