数据结构中算法的复杂度问题

算法的复杂度分为时间复杂度和空间复杂度

1.时间复杂度

其实，时间复杂度实际上就是一个函数，这个函数呢，它计算的是一个算法执行基本操作的次数。
这里，要明确，为什么不直接用时间来衡量一个算法的优劣，其原因在于一个算法在一个平台上运行时，可能会受到其他因素的影响，比如相同的两个机器在运行一个和多个进程时，其响应速度就会不一样，如果让它们共同运行一个算法程序，那消耗的时间也可能不一样，而形态的算法在不同平台上运行的次数是定的，所以其可以判断一个算法的优劣。

1. 时间复杂度的大O渐进表示法
一个算法语句总的执行次数是关于问题规模N的某个函数，记为f(N),N称为问题的规模。语句总的执行次数记为T（N），当N不断变化时，T（n）也在变化，算法的执行次数的增长速率和f（N）的增长速率相同。则有T（N）=O（f（N）），称O（f（N））为时间复杂度的O渐近表示法。
2.时间复杂度O(n)的计算方法

• 用常书1取代运行时间中的所有假发常数
• 在修改后的运行次数函数中，只保留最高阶项
• 如果在最高阶项的系数存在且不是1，则去除与这个项相乘的常数。

递归算法的时间复杂度

递归算法的时间复杂度=递归次数*每次递归次数。
例如：

//求1+2+3+...N之和
int sum(int n)
{
    if(n==1) return 1;
    else return n+sum(n-1);
}

其递归总次数是n,函数里面每次又递归了一次，其时间复杂度为O（n）；

空间复杂度

空间复杂度：函数中创建对象的个数关于问题规模函数表达式，一般情况下用O的渐进表示法表示。

斐波那契算法

先来看一段代码；

long fib(long first,long second,long n)
{
    if(n<3) 
        return 1;
    if(n==3)
        return first+second;
    return fib(second,first+second,n-1);
}

这段代码的时间复杂度很明显是O（n），而空间复杂度呢？
平常我们写斐波那契的算法是这样写的；

long fib(long n)
{
    if(n<3)
        return 1;
        return fib(n-2)+fib(n-1);
}

这样同样也可以达到目的，但其时间复杂度是O（n^2），空间复杂度是O（n）；效率肯定不如第一种方法，
其第一种方法的空间复杂度是O（n），其采用的是尾递归的方法，那什么是尾递归？
尾递归：就是函数最后一条执行语句是对函数自身调用的语句，第一种方法的最后一条语句就是是对自身的调用，而没有其他变量，这种递归就称为尾递归，尾递归的一个好处就是：在某些编译器下，采用尾递归的方法，编译器会自动对其方法优化，优化后的空间复杂度就是O（1）了。
以上内容为本人自己理解，如有不对，请指正。