【数据结构与算法】算法复杂度

一、什么是复杂度？

• 程序执行时需要的计算量和内存空间，其中计算量是指时间复杂度，计算量大则需要时间久；内存空间是指空间复杂度和代码是否简洁无关，而是指计算机的cpu和内存计算复杂程度。 
• 复杂度是数量级，不是具体的数字，是为了方便记忆和推广。比如，山川的高度、人的身高等，数量级是指一个相差不大的数量范围。
• 一般针对某一个具体的算法，而非一个完整的系统

二、复杂度的表示 

•  时间复杂度-程序执行时需要的计算量（CPU）

                用O表示复杂度

1. O(1)一次就够，计算次数可数的数量级都称作O(1)级别的数量级 【如：object 取值/数学运算】
2. O(logn)数量量的对数，该曲线表示logn函数的曲线，n是指横轴原始数据的输入量，随着n的变化，logn的曲线形势如图，logn的计算结果是纵轴，也就是计算量、时间复杂度、空间复杂度的结果。随着计算量的增长，曲线趋向于平缓，是个好的现象。【如：数组二分】
3. O(n) 和传输的数量量一样，是一个分割线，输入量是多少，计算量就是多少。如输入量是5，计算量就是5，输入量是7，那么计算量就是7，较为符合常理。【如：数组的一维循环】
4. O(n*logn)数据量*数据量的对数，计算量在增加时，曲线呈上走趋势，O(n)*O(logn) = O(nlogn)
5. O(n^2)数据量的平方 当输入量为2时，计算量为4，输入量为3时，计算量为9，复杂度增速飞快。【如：数组的嵌套循环】

• 空间复杂度 - 程序执行时需要的内存空间

        前端领域需要程序运行更快，重时间轻空间，因为运行在浏览器上，所以内存空间是共用的。常见的空间复杂度：

1. O(1) 有限的、可数的空间（数量级）
2. O(n) 和输入的数据量相同的空间（数量级）：当定义一个数组时，数组的长度和空间有关系，长度是多少就需要占用多少空间

// 空间复杂度为O(1)
function fn(arr = []) {
    const a = arr[1]
    const b = arr[2]
}

// 空间复杂度为O(n)
function fn(arr = []) {
    const arr2 = []
    for (let i = 0; i < arr.length; i++){
        arr2[i] = arr[i]
    }
    return arr2
}