算法的时间复杂度和空间复杂度分析

本文用大 O 表示法来表示时间复杂度和空间复杂度，大 O 并不代表代码真正执行时的复杂度，而是代表着一种变化趋势，所以在分析时，我们就可以忽略公式中的低阶、常量、系数。（通俗点说，我们只考虑执行次数最多的代码：同一层的代码，取其中量级更大的，嵌套的代码， 其复杂度为嵌套内外代码复杂度的乘积）

时间复杂度

常用时间复杂度

1. O(1) 常量阶
2. O(logn) 对数阶
3. O(n) 线性阶
4. O(nlogn) 线性对数阶
5. O(n²) 平方阶 O(n³) 立方阶 … O(n^k) k次方阶
6. O(2ⁿ) 指数阶
7. O(n!) 阶乘阶

O(1) 常量阶

O(1) 并不代表只执行一行代码，而是代表着代码执行次数不会随着 n 的变大而变大，是一个常量次数的执行。

int i = 1;
int j = 2;
System.out.println(i * j);

O(logn) 对数阶 & O(nlogn) 线性对数阶

对数时间复杂度是最难分析的一种时间复杂度，因为其并不像其他时间复杂度那样直观。

for(int i = 1; i <= n; i *= 2) {
  System.out.println(i);
}

上面的代码时间复杂度是 O(log₂n)，在采用大 O 计数法的时候，可以忽略系数，所以上面的时间复杂度我们认为是 O(logn)。

了解了 O(logn)，O(nlogn) 就比较容易理解了。如果将上面的代码循环执行 n 次，就是 O(nlogn) 了。

for (int i = 0; i < n; i++) {
  for(int j = 1; j <= n; j *= 2) {
    System.out.println("i: " + i + ", j: " + j);
  }
}

O(n) 线性阶

for (int i = 0; i < n; i++) {
  System.out.println(i);
}

O(n²) 平方阶 & O(n³) 立方阶

for (int i = 0; i < n; i++) {
  for(int j = 0; j < n; j++) {
    System.out.println("i: " + i + ", j: " + j);
  }
}

for (int i = 0; i < n; i++) {
  for(int j = 0; j < n; j++) {
    for(int k = 0; k < n; k++) {
      System.out.println("i: " + i + ", j: " + j + ", k: " + k);
    }
  }
}

O(2ⁿ) 指数阶

for(int i = 0; i < Math.pow(2, n); i++) {
  System.out.println(i);
}

O(n!) 阶乘阶

public void f(int n) {
  if(n == 0) {
    return;
  }
  for(int i = 0; i < n; i++) {
    f(n - 1);
  }
}

空间复杂度

时间复杂度代表着算法的执行时间和数据规模大小的关系，而空间复杂度代表着算法的存储空间和数据规模大小的关系。

常用空间复杂度

1. O(1) 常量阶
2. O(n) 线性阶
3. O(n²) 平方阶

空间复杂度的分析比时间复杂度要简单，我们需要分析的是，在代码执行过程中，需要额外申请的内存空间的大小和 n 之间的关系。

总结

分析时间复杂度和空间复杂度是学习算法必不可少的一步，需要勤加练习，最后附上一张图（代码撸多了就会发现，几乎所有的数据结构和算法都跑不出这几个）

参考：《数据结构与算法之美》