【数据结构】01.时间和空间复杂度

目录

1.算法效率

2.时间复杂度

2.1 时间复杂度的概念

2.2 大O的渐进表示法

2.3 推导大O阶方法

3.空间复杂度

---

1.算法效率

下面求斐波那契数列的算法好还是不好，为什么？该如何衡量一个算法的好坏呢？

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

通常使用算法效率来衡量算法的好坏；

算法效率分析分为两种：第一种是时间效率，第二种是空间效率。

时间效率被称为时间复杂度，空间效率被称作空间复杂度。

时间复杂度主要衡量的是一个算法的运行速度，空间复杂度主要衡量一个算法所需要的额外空间。

优先考虑时间复杂度 ：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。

---

---

2.时间复杂度

2.1 时间复杂度的概念

在计算机科学中，算法的时间复杂度是一个数学函数，它定量描述了该算法的运行时间。

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。

2.2 大O的渐进表示法

例：请计算一下Func1基本操作执行了多少次？

---

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符号（Big O notation）：是用于描述函数渐进行为的数学符号。

2.3 推导大O阶方法

1、用常数1取代运行时间中的所有加法常数。

2、在修改后的运行次数函数中，只保留最高阶项。

3、如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。

---

---

通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数。

另外有些算法的时间复杂度存在最好、平均和最坏情况：

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 )

---

例如：在一个长度为 N 数组中搜索一个数据 x

最好情况： 1 次找到

最坏情况： N 次找到

平均情况： N/2 次找到

在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为 O(N)

---

3.空间复杂度

空间复杂度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，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时间复杂度类似，也使用大O 渐进表示法 。

例：计算bubbleSort的空间复杂度

如果文章内容有错的话，还麻烦各位私信指出，谢谢大家！大家有什么问题和想法都可以在评论区提出来，也可以私信我，如果看的人多的话，还会出相关的例题与讲解。