数据结构-时间复杂度和空间复杂度

---

一、算法效率

什么是算法？ 通常人们将算法定义为一个有穷的指令集，这些指令为解决某一特定任务规定了一个运算序列。

一个算法应具有以下特性

1. 有输入
2. 有输出
3. 确定性
4. 有穷性
5. 可行性

算法的好坏总有个标准吧，大致可分为以下几个

• 正确性
• 可读性
• 效率
• 健壮性
• 简单性

除效率外，其他几个均可查看运行代码得出结果。但效率的高低又如何评测呢？
因为不同代码在不同的硬件条件下运算时间不同，所以我们通过复杂性的度量，包括时间复杂度和空间复杂度。

复杂度

算法的复杂度

算法在编写成可执行程序后，运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏，一般是从时间和空间两个维度来衡量的，即时间复杂度和空间复杂度。

时间复杂度主要衡量一个算法的运行快慢，而空间复杂度主要衡量一个算法运行所需要的额外空间。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。

二、时间复杂度

时间复杂度的概念
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。

即：找到某条基本语句与问题规模N之间的数学表达式，就是算出了该算法的时间复杂度。

先来看一个程序

void Fun1()
{
	int count = 0;//程序步数 -  1
	for (int i = 0; i < N ; ++ i)   // 1
	{
		++count;           // N
	}
}

我们可以算出具体程序步数 N+2

void Fun2()
{
	int count = 0;
	for (int i = 0; i < N ; ++ i)
	{
		for (int j = 0; j < N ; ++ j)
		{
			++count;
		}
	}
}

程序步数2*N²+2

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。

大O的渐进表示法

大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。
推导大O阶方法：

• 用常数1取代运行时间中的所有加法常数。
• 在修改后的运行次数函数中，只保留最高阶项。
• 如果最高阶项存在且不是常数，则去除与该项的系数。得到的结果就是大O阶。

只保留对结果影响最大的项，当变量不断增大后其他项对结果的影响忽略不计。

使用大O的渐进表示法以后
Func1的时间复杂度为：O(N)
Func1的时间复杂度为：O(N²)
程序步数为常数，即为O(1)

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)

常见时间复杂度计算举例

#include<stdio.h>
void Func1(int N)
{
	int count = 0;
	for (int k = 0; k < 2 * N; ++k)
	{
		++count;//2*N
	}
	int M = 10;
	while (M--)
	{
		++count;//M=10,常数次
	}
	printf("%d\n", count);
}

故该函数的时间复杂度是O(N)

void Func2(int N, int M)
{
	int count = 0;
	for (int k = 0; k < M; ++k)
	{
		++count;//M次
	}
	for (int k = 0; k < N; ++k)
	{
		++count;//N次
	}
	printf("%d\n", count);
}

本例的N和M都不是常数，故核心步数是N+M ，时间复杂度为O(N+M)

void Func3(int N)
{
	int count = 0;
	for (int k = 0; k < 100; ++k)
	{
		++count;//100次 -  常数次
	}
	printf("%d\n", count);
}

只要核心代码步数为常数次就为O(1)

int Func4(int arr[], int n, int x)
{
	//最坏 - n次
	//最好 - 1次
	//平均 - （n+1）/2
	for (int i = 0; i < n; ++i)
	{
		if (arr[i] == x)
		{
			return i;  
		}
			
	}
	//查找失败返回-1
	return -1;	
}

我们一般在意程序的最坏情况，即O(N)

5. 计算冒泡排序的时间复杂度

void BubbleSort(int* a, int n)
{
	assert(a);
	for (size_t end = n; end > 0; --end)
	{
		int exchange = 0;
		for (size_t i = 1; i < end; ++i)
		{
			if (a[i - 1] > a[i])
			{
				Swap(&a[i - 1], &a[i]);
				exchange = 1;
			}
		}
		if (exchange == 0)
			break;
	}
}

面对这种无法直接看出来的，我们首先寻找核心代码句，即双重循环里面的判断句。然后我们就来看它的执行步数.
最好的情况下，本身有序，不用交换，时间复杂度- O(N)
最坏的情况下，每次都交换，执行次数：1+2+3+····+n = (n+1)*n/2
时间复杂度- O(N²)

6. 二分查找

int BinarySearch(int* a, int n, int x)
{
	int begin = 0;
	int end = n - 1;
	while (begin < end)
	{
		int mid = begin + ((end - begin) >> 1);
		if (a[mid] < x)
			begin = mid + 1;
		else if (a[mid] > x)
			end = mid;
		else
			return mid;
	}
	return -1;
}

每比较一次，范围减半，最好情况 O(1) 。
最坏情况下，设查找了 x 次，数组长度为N ，那么有N/2/2/2···/2=1，有x个2，即2^x=N => x =log2(N) - (以2为底N的对数）也可简写为logN，所以时间复杂度为O(logN)

7. 递归计算阶乘

long long Fac(size_t N)
{
	if(0 == N)
		return 1;
	return Fac(N-1)*N;
}

易知，函数递归了N次，所以时间复杂度为O(N)

8. 斐波那契数列

long long Fib(size_t N)
{
	if(N < 3)
		return 1;
	return Fib(N-1) + Fib(N-2);
}

这个比较复杂，我们画图解释

因为时求大O表示的时间复杂度，所以算个大概的就行。
我们假设后面开始缺的总递归数位X，那么先把这些缺的加上，那就是一个等比数列，即1+2+2²+·····+2^n-2-X 前面的等比数列求和，最高阶位2^n-2，那么时间复杂度就位O(2ⁿ)。

三、空间复杂度

空间复杂度也是一个数学表达式，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。

注意：函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了，因此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。

下面我们来看几个例题

void Func4(int N)
{
	int count = 0;
	for (int k = 0; k < 100; ++k)
	{
		++count;//100次 -  常数次
	}
	printf("%d\n", count);
}

可以看出使用了1（常数个）额外空间，所以空间复杂度为 O(1)

2. 斐波那契数列

// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
	if(n==0)
		return NULL;
	long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
	fibArray[0] = 0;
	fibArray[1] = 1;
	for (int i = 2; i <= n ; ++i)
	{
		fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
	}
	return fibArray;
}

程序malloc（动态开辟）了n+1个long long类型大小的空间，所以空间复杂度是O(N)

3. 递归计算阶乘

long long Fac(size_t N)
{
	if(N == 0)
		return 1;
	return Fac(N-1)*N;
}

递归调用了N次，开辟了N个栈帧（函数所占内存（栈上）），每个栈帧使用了常数个空间。空间复杂度为O(N)

四、常见复杂度对比

一般来说时间复杂度最好能保持在NlogN及以下，当时间复杂度是N² 时，一般可转换为NlogN，速度大幅提升。

---