「时间管理」JavaScript算法时间、空间复杂度分析

微信搜索【前端食堂】你的前端食堂，记得按时吃饭。

本文已收录在前端食堂 Github https://github.com/Geekhyt/front-end-canteen，感谢Star。

经过数据结构与算法先导篇的洗脑，不知道大家对数据结构与算法重要性的认知有没有上了一层台阶。(虽然阅读量少的可怜)。没看过的建议先去看先导篇前端如何搞定数据结构与算法(先导篇)

不过没关系，至少是有同学在评论区反馈期待下一篇的，那就要坚持把这个系列写下去，今天来给大家聊一聊在数据结构与算法中占了半壁江山的概念。

时间复杂度和空间复杂度

---

时间管理大师 艾克：有的时候，时光还是有他的好处的。两极反转！

拿英雄联盟举例，比如当 IG 夺得 S 系列赛总冠军后，你会发现一大群只有意识，但操作已经跟不上的玩家出现在排位赛的视野当中。(没错，就是我们)在学生时代，我们也是钻石、大师级的高手。然而因为工作，我们只能告别我们的青春。但是，意识还在！

回到本文，面试时面试官考察你算法能力的时候，时间复杂度和空间复杂度也是绕不过去的坎。你不仅需要掌握多种解题思路，而且要能够从复杂度分析的角度找到最优解，这样才能征服面试官。工程中，选取最优的算法则更为重要。一个优秀的算法能节约的系统成本和维护成本都是巨大的。

「话不多说，上才艺！」

(上概念)

首先理解时间和空间：

• 「时间：执行当前算法所消耗的时间」
• 「空间：执行当前算法需要占用多少内存空间」

再加上复杂度：

• 「时间复杂度：全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系。」
• 「空间复杂度：全称就是渐进空间复杂度，表示算法的存储空间与数据规模之间的增长关系。」

也就是说，算法的执行效率由执行时间、存储空间两个方面决定。复杂度分析就是用来分析算法执行效率与数据规模之间的关系，包括时间复杂度和空间复杂度。

为什么搞出这两个概念呢？还嫌我需要理解的概念不够多吗？

其实，你也可以进行事后统计法，俗称 「马后炮」。不过既然都叫马后炮了，那肯定是有它的缺点的。

• 事后统计的测试一般都需要依附于具体的环境，比如公司的 DEV、SIT、UAT 等环境机器的配置都不同，那么测出来的结果也会有差别。说白了，你拿同样一段代码，在不同的处理器下 (i9、i5、i3) 来运行，测试出来的结果也是不同的。
• 除了环境，测试结果受数据规模的影响也很大。熟悉排序算法的同学们肯定知道，不同的数据规模下，排序算法的执行效率也会不同。

所以，我们需要一种复杂度分析法，进行事前分析。帮助我们在写代码的过程中尽可能的降低复杂度，这样代码不但在不同的环境下都能以最快的效率执行。而且，这种方法也不需要用具体数据规模的数据来进行测试，就可以粗略的计算出执行效率。这样就把事后统计法的缺点给 cover 了，一举多得。

大 O 表示法

大 O 符号由德国数论学家保罗·巴赫曼 Paul Bachmann 在 1892 年的著作 《解析数论》首先引入，后由另一位德国数论学家 艾德蒙·朗道 Edmund Landau 推广。

T(n) = O(f(n))

所有代码的执行时间 T(n) 与每行代码的执行次数 n 成正比。

• T(n)：代码执行的时间
• n：数据规模
• f(n)：每行代码执行的次数总和
• O：表示 T(n) 与 f(n) 成正比

注意，初学者可能会认为这种方法就代表真实的代码执行时间，并不是这样，其代表的是代码的执行时间随数据规模增长的变化趋势。

常见的时间复杂度

按数量级递增如下：

• 常量阶 O(1)
• 对数阶 O(logn)
• 线性阶 O(n)
• 线性对数阶 O(nlogn)
• 平方阶 O(n^2)
• 立方阶 O(n^3)
• 指数阶 O(2^n)
• 阶乘阶 O(n!)

其中，指数阶和阶乘阶会随着数据规模 n 的增大，执行时间急剧增长，十分低效，我们暂且不去分析。下面我们通过代码来逐一理解其余的时间复杂度。

常量阶 O(1)

const a = 1;
let b = 2;

上述代码，执行时消耗的时间不受某个变量 (n) 的增长而影响，所以它的时间复杂度为 O(1)。也就是说，一般情况下除了循环语句、递归语句，时间复杂度都为 O(1)。

对数阶 O(logn)

let i = 1;
const n = 6;
while (i < n) {
  i = i * 2;
}

观察上述代码，当循环 x 次后，循环退出。也就是说 2 的 x 次方等于 n。那么 x = log2^n，也就是循环 log2^n 次后循环退出，得出时间复杂度为 O(logn)。二分查找的时间复杂度就是 O(logn)。

线性阶 O(n)

const n = 996;
for (let i = 0; i <= n; i++) {
    console.log('来过' + i +'次前端食堂吃饭');
}

毫无疑问，for循环里的代码会执行 n 遍，所以这类代码的时间复杂度就是 O(n)。计数排序、基数排序、桶排序的时间复杂度都是 O(n)。

线性对数阶 O(nlogn)

let j = 1;
const n = 6;
for (let i = 0; i <= n; i++) {
    while (j < i) {
        j = j * 2;
    }
}

理解了对数阶和线性阶，线性对数阶理解起来就很容易了，就是将时间复杂度为 O(logn) 的代码循环 n 遍，那么它的时间复杂度就是 O (nlogn)。归并排序、快速排序、堆排序的时间复杂度都是 O(nlogn)。

平方阶 O(n^2)

const n = 6;
for (let i = 0; i <= n; i++) {
    for (let j = 0; j <= n; j++) {
        console.log('前端食堂的饭真香');
    }
}

平方阶就是把 O(n) 的代码再嵌套一层循环，它的时间复杂度就是 O(n^2)了。冒泡排序、插入排序、选择排序的时间复杂度都是 O(n^2)。

至于 O(n^3) 就是在 O(n^2) 的基础上再嵌套一层循环。(俄罗斯套娃)

我们采用大 O 表示法进行复杂度分析的时候，是可以忽略系数的，一般情况下只需要关注循环执行次数最多的一段代码进行分析即可。

除此之外，「还有最好情况时间复杂度、最坏情况时间复杂度、平均情况时间复杂度以及均摊时间复杂度等」。在实际中，大多数情况下并不是特别常用，这里不再展开。

在现实中，往往代码会比较复杂，这里总结了几条判断时间复杂度的小技巧送给你：

• 单段代码看高频：循环
• 多段代码取最大：有循环和多重循环的情况，取多重循环的复杂度
• 嵌套代码求乘积：循环中的递归
• 多个规模求和：分别有两个参数控制两个循环的次数，取二者的复杂度相加

常见的空间复杂度

• O(1)
• O(n)
• O(n^2)

我们还是通过代码来逐个分析：

O(1)

const a = 1;
let b = 2;

我们定义的变量a、b所占有的空间并不会随着某个变量的变化而变化，所以它的空间复杂度为 O(1)。

O(n)

let arr = [];
const n = 996;
for (let i = 0; i < n; i++) {
    arr[i] = i;
}

arr 所占用的内存由 n 来决定，会随着 n 的增大而增大，所以它的空间复杂度就是 O(n)。「如果初始化一个二维数组 n*n，那么它的空间复杂度就是 O(n^2)。」

除此之外，O(logn)、O(nlogn) 这样的对数阶空间复杂度在平时也很少见，这里不再展开。

「一般在实际中，空间复杂度和你初始化的数组长度有关。除此之外，也和递归的深度有关。」

时空转换

时间复杂度和空间复杂度往往是相互影响的，两者不可得兼。在算法解题套路以及工程中中，根据实际情况，常用的做法就是空间换时间。比如：记忆化搜索、缓存等。

后续算法系列专栏计划

• LeetCode刷题心得
• 常见算法解题套路