时间复杂度与空间复杂度

时间复杂度

时间复杂度是一个算法运行时所消耗的时间，而算法的运行时间是与语句的执行次数成正比的

一个算法的运行时间与其他因素也有关系，比如一台低端处理器设备和一台高端处理器设备同时运行，运行时间是不一样的

但是由于一个算法在不去运行的情况下，不太容易算出它精确得运行时间，所以只能去估算它在运行时所消耗的时间

例1

int func1(int n)
{
	int count = 0;
	for (int j = 0; j < n; j++)
	{
		for (int i = 0; i < n; i++)
		{
			count++;
		}
	}
    for(int k=0;k<2*n;k++)
    {
        count++;
    }
	printf("%d\n", count);
}

如何计算这个函数的时间复杂度

首先第一个外层循环会执行n次，嵌套的内层循环也会执行n次，所以这里它们的总执行次数是n*n也就是n^2

第三个循环的执行次数是2*n次

这个函数的总执行次数是n^2+2*n

这个执行次数还是比较精确了，现在只需要大概的执行次数就可以了

在这里就要用到大O表示法对它进行估算

现在假设n等于10，代入公式

10^2+2*10,结果是120

估算值只需要知道这里面对结果影响最大的执行次数，那就是n^2

 影响最大也可以理解为量级，如：100,1000,10000...，在量级与量级之间的值可以不计算因为它对结果的影响小，就比如这个函数中的2*n

所以这个函数的时间复杂度用大O表示法表示是O(n^2)  

例2

int func2(int n，int j)
{
	int count = 0;
	for (int i; i < n; i++)
	{
		count++;
	}
	for (int k = 0; k < j; k++)
	{
		count++;
	}
	printf("%d\n", count);
}

再来计算这个函数的时间复杂度

由于无法确认 n,j 的大小所以它的时间复杂度就是O(n+j)

如果n>j那就是O(n)，反之就是O(j)，相等就取任意一个

例3

int func3()
{
	int count = 0;
	for (int i = 0; i < 100; i++)
	{
		count++;
	}
	printf("%d\n", count);
}

 这个函数，乍一看可能会认为它的时间复杂度是O(100)

其实不是，在大O表示法中任何常数项，哪怕它再大它的时间也依然是O(1),1表示常数

例4

int func4(int n)
{
	int count = 0;
	for (int i = 0; i < 2 * n; i++)
	{
		count++;
	}
	printf("%d\n", count);
}

这个函数中时间复杂度也不是O(2*n),因为当n无穷大时，这个系数 2 没有多大影响 

总结

大O表示法用来计算算法最坏情况下的结果

使用大O表示法时只保留最大项

用1代替所有运行时间为常数的结果

如果有最高阶项且不是1，就去除与这项相乘的系数

例5

int func5(int n)
{
	if (n == 0)
	{
		return 1;
	}
	return func5(n - 1) * n;
}

这个递归实现阶乘的函数时间复杂度如何计算

它是这样递归的，n-1，n-2,n-3,...2, 1，0每一层都是上一层的n-1

也就是由最开始的n一直减到0结束递归

所以它的时间复杂度就是O(n)

例6

int Fib(int n)
{
	if (n < 3)
	{
		return 1;
	}
	return Fib(n - 1) + Fib(n - 2);
}
Fib(3)

Fib(2)

Fib(1)

计算斐波拉契数列的时间复杂度

 由此可见斐波那契数列递归是一个等比数列

计算它的执行次数需要计算等比数列和

可以使用错位相减法

n^0+n^1+n^2+......+n^(n-3)+n^(n-2)

乘公比2，然后错位

        n^1+n^2+n^3+......+n^(n-2)+n^(n-1)

结果：2^(N-1)-N^0

大O表示法O(2^N)