辨析：时间复杂度，空间复杂度

目录

前言

一，时间复杂度

1.1基本定义

1.2求值方法

1.3大O渐进表示法

1.4复杂度的三种情况 

1.5案例解析

案例一

案例二

案例三

案例四

二，空间复杂度

---

前言

因为我们知道，对于一个程序的效率高低，不仅仅看起来简单就是高效，最主要的我们要通过时间复杂度以及空间复杂度去判别其效率高低。

而对于时间复杂度，一般衡量的是该程序执行时间的长短，而空间复杂度则表示的该程序运行所需要的额外空间的大小。

好的，那么我们了解了关于算法复杂度计算的两个标准了之后，我们进入正文。

-------------------------------------------正文如下---------------------------------------------------

一，时间复杂度

1.1基本定义

标准定义：算法的时间复杂度是一个函数（式），它定量的描述了一个算法的执行时间。

那么我们知道，对于一个算法来说，如果想求出其运行所需的确定时间，其实是不现实的，因为我们对于每个程序都放在机器上去运行一遍，这样是很繁琐且没必要的。所以一般情况下，算法中基本操作的执行次数，我们将其认定为算法的时间复杂度。

1.2求值方法

因为时间复杂度一般认为是一个函数式，所以对于每个算法，在计算时间复杂度时，我们会求出一个函数式，然后将其化简。

而同时我们知道，如果一个式子中同时存在指数，加法，乘法等，我们认为因为加减或者乘除一个数对于整个数来说，改变的是很小的，因为指数的增加很大，所以这里我们对于该函数式有一个默认的化简方法，即大O的渐进表示法。

1.3大O渐进表示法

大O符号：数学中用于表示渐进行为的数学符号

那么对于大O阶的求法有如下规定：

1.用常数 1 替代式子中所有加法常数。

2.在修改后的式子中，只保留最高阶项。

3.如果最高阶存在且不是常数，那么将与该最高阶数的乘法去除，得到的便是大O阶。 

所以，我们知道了，其实对于复杂度的求解并不是细化到 1 的，而是将一些对最终结果影响不大的数去除，最后用一个大概的数来表示。

1.4复杂度的三种情况 

那么我们知道，比如现在我们打算求一个二分查找的时间复杂度。

最好的情况：首先，最好的情况，我们要找的那个数就是现在第一次取到的数，当然这里时间复杂度便为 O(1)；

最差的情况：其次，如果我们需要找的数不在这个有序数组中，那么时间复杂度将为以2为底，N（表示数组元素个数）的对数；

中间的状态：最后，当然还有处于中间的状态，那么该复杂度为前两者的一半。

那么，其实对于这三种情况来说，我们一般会认为最差的情况是该算法的时间复杂度。因为我们不确定最后会得出那种结果，为了保险起见，一般最坏的那种就是时间复杂度。

1.5案例解析

案例一

好的，了解了以上基本内容之后，我们通过几个例子来具体认识一下，时间复杂度。

 那么我们看到，该函数有两个循环，首先我们得到的函数式：O(n)=M+N；这里因为我们不知道M和N那个的值到底哪一个数远大于另一个数，所以这该程序的时间复杂度就是O(n)=M+N。

而一旦我们知道M远大于N之后，则该复杂度就变为了 O(M) ，反之变为 O(N)了。如果两个值是相等的，任意写一个即可（理由：大O阶表示法规定第三条）。

案例二

案例二我们通过冒泡排序来分析时间复杂度的计算：在计算之前，其实对于计算时间复杂度这条默认的规定是很重要的：

计算时间复杂度，一般不会根据其循环次数来决定，而是要分析该程序真正执行的过程。

 根据上面默认规定，我们通过冒泡排序的执行过程来分析：

首先，我们知道，冒泡排序就是从一组数从首元素开始，两两比较，然后一直到这组数结束，将这组数中最大的那个数放在整个数的末尾，这是第一轮结束；

然后第二轮，此时对于要遍历的数组会少一个元素，因为最后那个数已经是最大的了，没有必要再比较一次了。然后接下来就跟第二轮是一样的了，直到最后需要遍历的数只剩一个。

那么好像该算法的时间复杂度为 ：

                           B(N)=(n-1)+(n-2)+(n-3)+....+1，

那么最后求出结果化简可得 O(N^2)。

案例三

那么案例三，我们来计算一个二分查找的时间复杂度：

这里同样，我们根据二分查找的过程来分析其时间复杂度。

首先，对于二分查找，每次我们会设置一个一组数中的中间数，然后通过比较该数与要查找的数，如果两者不相等，则需要根据的两数大小，舍弃中间数左边或者右边的所有数，然后接下来再根据实际情况可能进行对半减数。

案例四

接下来我们通过斐波那契数列的递归算法来分析时间复杂度的算法：

 对于递归算法，我们默认：

单次递归算法的复杂度：每次递归调用的次数（即单次函数调用的次数）* 递归的次数

这里我们假设 x 为最后缺的一部分递归调用，如下图所示：

所以可得，

                                      Fib(N) = 2^0 + 2^1 + 2^2 + 2^3 + ... +2^(N-1) - x

                                      Fib(N) = 2^N - 1 - x

                                      Fib(N) = O(2^N)  

好的，那么看到这里，你对与时间复杂度的计算一定有了一个自己的想法了吧。那么接下来我们来了解一下有关空间复杂度的内容。

二，空间复杂度

空间复杂度也是一个函数式，不过其表示一个算法在运行过程中临时占用的存储空间大小。

而这里空间复杂度计算的也不是占用了几字节的空间，而是变量的个数。

注：对于空间复杂度的计算，与以上时间复杂度的内容形式基本相同，都是用大O阶表示法来表示，但是不同的是计算的方式是不同的，空间复杂度计算的是变量的个数。

那么同样的，我们通过上面的案例四，斐波那契数列的递归实现来计算空间复杂度：

我们还是通过这个图来计算： 

首先，因为函数调用得时候，产生的堆栈是可以重复利用的，这也就是空间是可重复利用的，而时间是一去不复返的。

所以，这里我们就不需要多次创建相同的堆栈了。所以此时我们只需要计算不同的变量个数为N，所以空间复杂度就为 O(N)：

                                                            Fib(N) = O(N)

好的，那么对于算法复杂度就结束啦！如有错误，还请指正呀！