求解时间复杂度和空间复杂度

时间复杂度与空间复杂度

概述

时间复杂度与空间复杂度都是用来衡量算法效率的。算法效率分为时间效率（也称为时间复杂度）和空间效率（也称空间复杂度）。时间复杂度主要衡量的是一个算法的运行速度，而空间复杂度主要衡量一个算法所需要的额外空间，在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。

时间复杂度

概念：
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。一个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。但是我们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。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。
下面用例题来计算一下代码的时间复杂度。

// 请计算一下func1基本操作执行了多少次？
void func1(int N){
   int count = 0;
   for (int i = 0; i < N ; i++) {
       for (int j = 0; j < N ; j++) {
           count++;
       }
   }
   for (int k = 0; k < 2 * N ; k++) {
       count++;
   }
   int M = 10;
  while ((M--) > 0) {
       count++;
   }
   System.out.println(count);
}

从上图可以知道代码基本操作数是F(N)=N^2+2*N+10;
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，那么这里我们使用大O的渐进表示法。
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
所以用大O阶表示法后，func1时间复杂度为O(N^2).

通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数。

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)
例如：在一个长度为N数组中搜索一个数据x
最好情况：1次找到
最坏情况：N次找到
平均情况：N/2次找到
在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)
例：

// 计算bubbleSort的时间复杂度？
void bubbleSort(int[] array) {
       for (int end = array.length; end > 0; end--) {
           boolean sorted = true;
           for (int i = 1; i < end; i++) {
           if (array[i - 1] > array[i]) {
           Swap(array, i - 1, i);
            sorted = false;
               }
           }
           if (sorted == true) {
               break;
           }
       }
}

这个代码有最坏情况和最好情况之分，最好执行N次，最坏执行N*(N-1)次，大O阶方法看最坏，时间复杂度为O(N^2)。

例题：假如有一个算法的时间复杂度是 O(n^2)，并且已知该算法处理 1000 个数据需要耗时 7 秒中。请问，处理 6000 个数据需要耗时多少秒？
解法如下：

总结：
1.计算时间复杂度的方法
最常见的方法：数循环次数（基本够用）
借助图形去理解：二分查找
借助调用栈画图：递归
2.对常见的复杂度做个排序
O(1)<O(log(n))<O(n)<O(n*log(n))<O(n^2 )<O(n^3)<O( 2^n)

空间复杂度

概念：
空间复杂度是对一个算法在运行过程中临时占用存储空间大小的量度 。空间复杂度不是程序占用了多少bytes的空间，因为这个也没太大意义，所以空间复杂度算的是变量的个数。空间复杂度计算规则基本跟实践复杂度类似，也使用大O渐进表示法。
用几个例题感受一下：
例一：

// 计算bubbleSort的空间复杂度？
void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
     boolean sorted = true;
     for (int i = 1; i < end; i++) {
         if (array[i - 1] > array[i]) {
             Swap(array, i - 1, i);
             sorted = false;
         }
     }
     if (sorted == true) {
         break;
     }
 }
}

例二：

// 计算fibonacci的空间复杂度？
int[] fibonacci(int n) {
long[] fibArray = new long[n + 1];
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; i++) {
  fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
 }
return fibArray; }

例三：

// 计算阶乘递归Factorial的时间复杂度？
long factorial(int N) {
 return N < 2 ? N : factorial(N-1)*N; }

总结：
空间复杂度是算法运行过程中需要用到的额外空间（目前主要关注内存）
冒泡排序为例：1000个排序，1000个数保存的位置不算该算法的消耗。