时间与空间复杂度

【时间复杂度】
其实只是一个度量，不是真正的运行时间的投影，真的的运行时间必须上机运行测试才能知道。也就是说只是给了你一个尺子去量一下这个算法的耗时，不是这个算法实现以后真的会耗时多少，也不是两个不同的算法的耗时比例真的可以这么比。时间复杂度的定义是以一个算法基本操作（一般就是循环体）重复执行的次数来作为度量单位。先找出算法的基本操作，然后根据相应的各语句确定它的执行次数。
一般情况下，算法的基本操作重复执行的次数是模块n的某一个函数f(n)，因此，算法的时间复杂度记做：T(n)=O(f(n))。随着模块n的增大，算法执行的时间的增长率和f(n)的增长率成正比，所以f(n)越小，算法的时间复杂度越低，算法的效率越高

首先，我们来看外循环

for（i=0；i<n；i++）
{
....//代码
}

按照i++的递加速度，直到这个循环退出，一共是n次

---

再来看看内部循环

for(j=1；j<n;j*=2)
{
...//代码
}

这个内部循环的累加速度是j=j*2，假设循环x次之后，这个循环退出
即 $2^x$>n ==> x>$\log_2 n$

---

具体例子：

1、O(1)

  int x = 1;  

2、O(n)

    for(int i=0; i<n; i++) {  
        cout<<i;  
    }  

3、O($\log_2 n$)

    for(int i=1;i<=n;i*=2) {  
        count++;  
    }  

4、O($n^2$)

    for(int i=1; i<=n; i++) {  
        for(int j=1; j<=n; j++) {  
            count++;  
        }  
    }  

5、O(n$\log_2n$)

    for(int i=1; i<=n; i *= 2) {  
        for(int j=1; j<=n; j++) {  
            count++;  
        }  
    } 

[两条规则]
加取大：
T(n)=$T_1$(n)+$T_2(n)$=O(f(n))+O(g(n))=O(max(f(n),g(n)))
积相乘：
T(n)=$T_1$(n)*$T_2(n)$=O(f(n))*O(g(n))=O( (f(n)*g(n)) )
注：时间复杂度是总运算次数表达式中受n的变化影响最大的那一项(不含系数)
f(n)=a*$n^3$+b*$n^2$+c*n 则其时间复杂度为O($n^3$)

---

【空间复杂度】
一个程序执行时除了需要存储空间和存储本身所使用的指令、常数、变量和输入数据外，还需要一些对数据进行操作（一般是指进行删除，排序需要的额外存储空间，可以简单的理解为临时变量占用的存储空间）的工作单元和存储一些为现实计算所需信息的辅助空间。

    int x=1, y=2;  
    int temp = x;  
    x = y;  
    y = temp;  
    //一个临时变量temp，所以空间复杂度为O(1)。