数据结构时间复杂度_白话数据结构和算法03:常见时间复杂度O(1)、O(n)、O(n2)、O(nlogn) 及空间复杂度...-CSDN博客

前文介绍了：什么是大O时间复杂度，以及如何计算大O时间复杂度。虽然不同算法的代码会有不同，但通过前文所述“大O时间复杂度计算方法”计算后，常见的复杂度并不多，除了前文说到的O(1)、O(n)，相信大家一定也经常见到O(n²)、O(logn)、O(nlogn)等复杂度，本文就列举下这些常见复杂度情况并简单介绍下空间复杂度的概念。

常见时间复杂度

常数阶 O(1)

注：一般的，不论算法代码有多少行，只要其中没有循环、递归，按前文所介绍计算方法，其时间复杂度都是Ο(1)。
示例：

1    public int fun1(int n1,int n2 ){
2        int sum  = n1 +n2;
3        return  sum;
4    }

对数阶 O(logn)

注：对数阶是其中最常见，同时也是最难分析的。以下边算法fun2举例，其中变量i的值从1开始，每循环一次就乘以2，当其大于n时，循环结束。所以随着循环执行i的值依次为

，也就是一个以2为底的等比序列。如果i是每次循环都乘以3，那么等比数列的底就是3。并且，数列中每一项都小于n，所以如果我们求解出x的值，也就知道总共循环了多少次，即求解中x的值，通过指数与对数相关运算可知:

。另外，因为

而log32是个常数，所以根据前文忽略常数原则，最终大O复杂度为O(logn)：

1    public int fun2(int n){
2        int i=1;
3        while (i <= n) {
4            i = i * 2;
5        }
6        return i;
7    }

线性阶 O(n)

注：因为for循环中的代码会执行n遍，所以当n很大时候，执行时间跟n比较相关，忽略常数项、最高项系数，所以时间复杂度是O(n)

1    public int fun(int n){
2        int s = 0;
3        for (int i = 0; i < n; i++) {
4            s += i;
5        }
6        return s;
7    }

常数对数阶 O(nlogn)

注：上边已经结束了对数阶、常数阶，这里常数对数阶就比较容易理解。

1    public int fun4(int n){
2        int s=1;
3        for (int i = 0; i < n; i++) {
4            while (i <= n) {
5                i = i * 2;
6            }
7        }
8        return s;
9    }

平方阶 O(n^2)

注：上文有提到过循环使用“乘法”，这里是两次循环，所以是。类似的，如果内外层循环次数不一样，比如外层是n，里层是m，此时复杂度是 m n∗m 。

1    public int fun5(int n){
2        int s = 0;
3        for (int i = 0; i < n; i++) {
4            for (int j = 0; j < n; j++) {
5                s = i*j;
6            }
7        }
8        return  s;
9    }

空间复杂度

对比时间复杂度，空间复杂度就比较好理解了，它是对一个算法在运行过程中占用内存空间大小的度量。与时间复杂度一样，空间复杂度也是关于数据量n的函数，比较常见的空间复杂度有O(1)、O(n)、O(n^2)，更复杂度对数阶、常数对数阶平时是用不到的。
在实际应用过程中，时间复杂度和空间复杂度是很难二者兼得的，也就有了所谓的”用空间换时间“、”用时间换空间“的说法，也就是说如果想最求时间短，那么空间使用就会多些，如果最求空间使用少，那么时间就会相对长些。不过，大多数情况下都会更看重时间复杂度，因为从用户体验上看，时间段的话体验会更好些，这也就催生了一些”用空间换时间“的缓存产品 (memcache、redis)和算法(基数排序)。