时间和空间复杂度

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，称作算法的渐进时间复杂度，简称时间复杂度。其中f(n)是问题规模n的某个函数。

时间复杂度分析方法（大O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。
按以上三个步骤得到的结果就是大O阶的结果。

常数阶

定义：常数阶是指与问题大小（n）无关，执行时间恒定的算法。用O(1)进行表示。
比如

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

运行函数次数为3，按照大O法，用常数1取代运行时间中的所有加法常数，就会得到该算法的时间复杂度为O(1)。
另外：对于分支结构而言，无论是真还是假，执行的次数都是恒定的，不会随着n的变化发生变化，所以单纯的分支结构（不包括结循环结构），其复杂度也是O(1)。

线性阶

要确定算法的阶次，然后常常需要确定某个特定语句，或者说特定语句集运行的次数。因此要分析算法的复杂度，关键是要分析循环结构的运行情况
比如

for(int i=0;i<n;i++){
;}

因为统一语句执行了n次，所以时间复杂度为O(n)。

对数阶

定义：由2的n次方等于n，得到x=log2 n。所以简单对数阶的时间复杂度O(log2n)。一般会把2省略记为O(logn)。
比如，利用“二分思想”，求解2+4+8……时。

int i=1,cnt=0;
while (i<max)
{
  i=i*2; 
  cnt+=2; 
 }

由于每次i 乘以2之后，就距离max更近了一分。也就是说，有多少个2相乘后大于n，则会退出循环。由2的n次方等于n，得到x=log2 n。所以这个循环时间复杂度O(logn)。

平方阶（以循环为例）

计算：循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数

for(i=0;i<n;i++){
	for(j=0;j<m;j++){
		;
		}
}

最深部的语句会执行 nm 次，所以这个循环的时间复杂度为O(NM)。一般情况下，会使用较大的数来代替较小的数，以达到粗略计算，若n>m，则记为O(N^2)。

最坏情况和平均情况

最坏情况：最坏情况运行时间是一种保证，那就是运行时间将不会再坏了，在应用中持续一种最重要的需求，通常除非特别指定我们提到的运行时间都是最坏情况的运行时间。

平均情况：平均运算时间是所有情况中最有意义的，因为它是期望的运行时间。

比如快速排序的时间复杂度:
最坏为O(n^2)，平均为O(nlogn)。
最坏的情况下：退化为冒泡排序：

平均情况下：

T(n)=2*T(n/2)+n;      第一次划分

      =2*（2*T(n/4)+n/2）+n;     第二次划分  (=2^2*T(n/4)+2*n)

      =2*(2*(2*T(n/8)+n/4)+n/2)+n;     第三次划分(=2*3*T(n/8)+3*n)

      =.....................

      =2^m+m*n;  第m次划分

因为2^m=n,所以等价于 = n+m*n
所以m=logn，所以T(n)=n+n*logn;     

空间复杂度

定义

空间复杂度：对一个算法在运行过程中临时占用存储空间大小的量度，记做S(n)=O(f(n))。n为问题的规模，其中f(n)是语句关于n所占的存储空间的某个函数。

一般而言“复杂度”多指时间复杂度