数据结构初阶——时间复杂度与空间复杂度
目录
一、数据结构前言
1.数据结构与算法的概念
在了解时间复杂度与空间复杂度之前。我们有必要前简单了解一下数据结构和算法的概念。那什么是数据结构呢？有关定义是这么说的：数据结构(Data Structure)是计算机存储、组织数据的方式，指相互之间存在一种或多种特定关系的数据元素的集合。通俗的说：数据结构主要指的是在内存当中以某种组织的形式（c语言中是用结构体定义的）对数据进行管理（这里的管理主要是指增删查改）。那么，什么是算法呢？算法(Algorithm)是定义良好的计算过程，它取一个或一组的值作为输入，并产生出一个或一组值作为输出。通俗来说算法就是一系列的计算步骤，用来将输入数据转化成输出结果。在简单了解数据结构与算法的概念后，我们就可以展开下面对时间复杂度与空间复杂度的探讨了。
二、算法的效率
前面我们简单讲诉了算法的概念，既然算法是定义良好的计算过程，那么它就存在好坏之分。我们看下面一个关于斐波那契数列的函数
long long Fib(int N)
{
if (N < 3)
return 1;
return Fib(N - 1) + Fib(N - 2);
}可以看出，这样使用递归方式写的求斐波那契数列的函数看上去非常简洁。但简洁真的就一定好吗？怎样才算是一个好的算法，从而引出一个概念，算法的复杂度
1.算法的复杂度
算法在编写成可执行程序后，运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏，一般是从时间和空间两个维度来衡量的，即时间复杂度和空间复杂度。
三、算法的时间复杂度
1.时间复杂度的概念
定义如下：在计算机科学中，算法的时间复杂度是一个函数（这里的函数指的是数学中的函数，并不是c语言当中的函数），它定量描述了该算法的运行时间。一个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。但是如果我们每个程序都上机测试的话，会非常的麻烦，于是就有了时间复杂度这个分析方式。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。
即：找到某条基本语句与问题规模N之间的数学表达式，就是算出了该算法的时间复杂度。
看下面的一个例子：
// 请计算一下Func1中++count语句总共执行了多少次？
void Func1(int N)
{
int count = 0;
for (int i = 0; i < N; ++i)
{
for (int j = 0; j < N; ++j)
{
++count;
}
}
for (int k = 0; k < 2 * N; ++k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
}我们可以以函数的形式将其表示出来，其中函数的未知数是N，简单的计算得知：F(N)=N*N+2*N+10
现在针对这个函数关于N的取值进行一个简单的分析
| N=10 | F(N)=130 |
| N=100 | F(N)=10210 |
| N=1000 | F(N)=1002010 |
2.大O的渐进表示
大O符号（Big O notation）：是用于描述函数渐进行为的数学符号
推导大O阶方法：
-
用常数1取代运行时间中的所有加法常数。
-
在修改后的运行次数中，只保留最高阶项（ 因为其他项对结果的影响不大）
-
如果最高阶存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。
| N=10 | F(N)=100 |
| N=100 | F(N)=10000 |
| N=1000 | F(N)=1000000 |
通过上面两个表格的对比，我们可以发现当N的值逐渐增大时，两者的F(N)越来越接近。时间复杂度并不是需要精确的计算时间，而是计算时间所在的量级。大O的渐进表示法去掉了那些对结果影响不大的项，更加简洁的表示出了执行次数。
而对于有些算法的时间复杂度，存在着最好，平均和最坏的情况：
- 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
- 最坏情况：任意输入规模的最小运行次数（下界）
这里以在一个长度为N的数组中搜索一个数据x为例：
- 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
在实际情况中，我们关注的算法的最坏运行情况，所以这个例子的时间复杂度为O(N)
3.常见的时间复杂度举例
实例1：
// 计算Func2的时间复杂度？
void Func2(int N)
{
int count = 0;
for (int k = 0; k < 2 * N; ++k)
{
++count;
}
int M = 10;
while (M--)
{
++count;
}
printf("%d\n", count);
} 我们来看这串代码，计算时间复杂度首先需要找到基本语句，可以很容易看出是，在for循环中，基本语句被执行了2N次，在while循环中，基本语句被执行了10次，根据大O阶的渐进表示规则，只保留最高阶项，并且将系数设置为1。得出时间复杂度为O(N)。（这里再次强调，O（N）计算的是量级，而不是一个具体的式子）
实例2：
// 计算Func3的时间复杂度？
void Func3(int N, int M)
{
int count = 0;
for (int k = 0; k < M; ++k)
{
++count;
}
for (int k = 0; k < N; ++k)
{
++count;
}
printf("%d\n", count);
} 这里可以看出来，基本语句是，时间复杂度是O(N+M)。（这是需要说明的是，时间复杂度非常喜欢用N这个未知数，但是可以有其他未知数）这两项并没有说谁的阶数更高，所以N和M都不可以去除。
实例3：
// 计算Func4的时间复杂度？
void Func4(int N)
{
int count = 0;
for (int k = 0; k < 100; ++k)
{
++count;
}
printf("%d\n", count);
}这里可以看出来，基本语句跑了100次，但是根据大O阶的第一条渐进表示规则，常数统一写做O(1)。换言之，对于大O阶，O(1)代表的不是1次，而是常数次。(其实，现在的计算机运算速度足够快，循环1次，100次，甚至1万次所花费的时间基本没有区别，这也为大O阶的表示规则提供了技术支持）
实例4：
// 计算BinarySearch的时间复杂度？
int BinarySearch(int* a, int n, int x)
{
assert(a);
int begin = 0;
int end = n - 1;
// [begin, end]：begin和end是左闭右闭区间，因此有=号
while (begin <= end)
{
int mid = begin + ((end - begin) >> 1);
if (a[mid] < x)
begin = mid + 1;
else if (a[mid] > x)
end = mid - 1;
else
return mid;
}
return -1;
} 这是二分查找的代码。使用二分查找，数组必须有序，最开始查找范围是N，每一次查找都会使查找范围缩小一半，最坏的情况是当这个空间只有一个值才查找到。假设查找了x次，N=1*2*2*2……*2(乘了x次2），那么N=2^x,x就是
，那么时间复杂度就是O(logN)。（这里有人会好奇，log下标的2我怎么没有写出来，其实是这样的，在时间复杂度涉及对数时，大部分情况下是以2为底的对数，所以对于O阶表示，如果log没有下标就默认下标为2，仅限于O阶表示，数学考试的时候课千万别忘写呀）
一些关于二分查找的小补充：二分查找是一种效率非常高的算法，比如对于一个长度为100万的数组，倘若使用一般的查找一个一个遍历过去，则最坏需要100万次。但是如果采用二分查找，最坏仅大约需要20次（我们把2的10次方近似为1000），如果长度为10亿，普通查找最坏需要10亿次，而二分查找最坏仅需要约30次。这样对比下来，二分查找的效率之高令人震惊。不过二分查找也有其局限性，它所操作的数组必须是升序或者降序的数组，而给数组排序可不比查找来的简单。所以对于查找这种操作，二分查找用的并不算多，后面我会专门更新排序和查找的博客，请大家点赞收藏关注，敬请期待……
实例5：
// 计算阶乘递归Fac的时间复杂度？
long long Fac(size_t N)
{
if (1 == N)
return 1;
return Fac(N - 1) * N;
}这里是关于阶乘的代码，对于一个参数N，从N到1，一共是调用了N次（见下面的图片），每次调用是执行了常数次，那么这个阶乘的算法时间复杂度就是O(N)。
递归时间复杂度的计算方法和技巧：每次递归调用的执行次数累加。
四、算法的空间复杂度
1.空间复杂度的概念
有关空间复杂度的定义如下：
- 空间复杂度也是一个数学表达式，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字节的空间，因为这个也没太大意义，所以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。
2.常见的空间复杂度举例
实例1：
// 计算BubbleSort的空间复杂度？
void BubbleSort(int* a, int n)
{
for (size_t end = n; end > 0; --end)
{
int exchange = 0;
for (size_t i = 1; i < end; ++i)
{
if (a[i - 1] > a[i])
{
Swap(&a[i - 1], &a[i]);
exchange = 1;
}
}
if (exchange == 0)
break;
}
}我们计算空间复杂度需要找到算法额外消耗的空间，函数原本所带的空间是不算的。那么在这个算法中，有哪些是额外开辟的呢，比如说end，exchange，i，总共是开辟了三个额外空间，也就是常数个，所以空间复杂度就是O(1)。
这里需要简单的提醒一下，重复创建同一个变量算作同一个，就比如exchange这个变量，在循环中被创建了很多次，但只算做一个额外开辟的空间。
实例2：
// 计算Fibonacci的空间复杂度？
long long* Fibonacci(size_t n)
{
if (n == 0)
return NULL;
long long* fibArray = (long long*)malloc((n + 1) * sizeof(long long));
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n; ++i)
{
fibArray[i] = fibArray[i - 1] + fibArray[i - 2];
}
return fibArray;
}还是和刚才的一样的思路，找寻额外开辟的空间，我们可以看到第7行关于数组的动态开辟，开辟的是n+1个额外空间，既然有了N这个量级，那么后面的常数量级就可以忽略不记了。也就是O(N)。
实例3：
// 计算阶乘递归Fac的空间复杂度？
long long Fac(size_t N)
{
if (N == 1)
return 1;
return Fac(N - 1) * N;
}这是递归求n的阶乘的函数，递归调用了N次，开辟了N个栈帧（关于函数栈帧，后面我也会专门写一期博客，敬请期待），每个栈帧使用了常数个空间。空间复杂度为O(N)。
对于递归函数求空间复杂度，其实和求时间复杂度的方法类似，是对每次递归调用的变量个数的累加。
五、常见的时间复杂度对比
一般算法常见的时间复杂度对比如下：
| O(1) | 常数阶 |
| O(n) | 线性阶 |
| O(n^2) | 平方阶 |
| O(logn) | 对数阶 |
| O(nlogn) | nlogn阶 |
| O(n^3) | 立方阶 |
| O(2^n) | 指数阶 |
六、结语
在文章的一开始，先是简单介绍了一下数据结构与算法的概念，然后从定义开始，结合例子，介绍时间复杂度与空间复杂度（这里简单的提醒一下，时间复杂度要比空间复杂度来的重要，要重点理解）。最后是简单的罗列了常见的时间复杂度，让大家加深印象。同时，笔者认为文章的重点之处，均以用加粗或者黄色标记，日后的文章也大概率会采用这种风格。
这篇文章不足之处，还请读者多多批评指正，日后会继续更新数据结构的相关知识（下一篇是顺序表），敬请期待。
775
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
