算法之时间复杂度、空间复杂度

算法执行时间的估算方法

事后分析估算方法：
把算法执行若干次，通过计算机的计时功能计时，对不同的程序运行时间进行比较，从而确定算法效率。
缺陷：必须先根据算法实现测试程序，并且不同的测试环境可能导致测试结果差异很大

事前分析估算方法：
程序在计算机上运行所消耗的时间取决于：

1. 算法采用的策略和方案；
2. 编译产生的代码质量；
3. 问题的输入规模（即输入量的多少）；
4. 机器执行指令的速度；
   由此可见，除开与计算机硬件、软件有关的因素，一个程序的运行时间依赖于算法的好坏的和问题的输入规模。如果算法固定，那么该算法的执行时间就只和问题的输入规模有关系。

算法时间复杂度

大O记法：
算法的时间复杂度，就是算法的时间量度，记作T(n)=O(f(n))。它表示随着问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，称作算法的渐进时间复杂度，简称时间复杂度，其中f(n)是关于问题输入规模的函数。
一般情况下，随着输入规模n的增大，T(n)增长最慢的算法为最优算法。

常用时间复杂度

1. O(1) – 常量时间：给定一个大小为n的输入，该算法只需要一步就可以完成任务。

const arr:number[] = [1,2,3,4,5];
const searchByIndex = (index) => {
  return arr[index];  // 根据下标查询数组项，只需1步就可以完成。
}
searchByIndex(2); 	// 3

2. O(logn) – 对数时间：给定大小为n的输入，该算法每执行一步，它完成任务所需要的步骤数目会以一定的因子减少。

let i = 1; 
const stopFlag = 100; 
while(i < stopFlag){
  i = i * 2;
}

3. O(n) – 线性时间：给定大小为n的输入，随着n的增大，对应计算次数随线性增长。

const sum = (n) => {
  let sum = 0;
  for(let i = 0; i <= n; i++){
    sum += i
  }
  return sum
}
sum(100); // 5050

4. O(n^2) – 平方时间：一般嵌套循环属于这种时间复杂度。

const sum = (n) => {
  let sum = 0;
  for(let i = 0; i <= n; i++){
    for(let j = 0; j <= n; j++){
      sum += i
    }
  }
  return sum
}
console.log(sum(100)); // 510050

5. O(2^n) – 指数时间：指数复杂度通常出现在这种情况，你对数据了解甚少，但是你必须尝试其所有的排列或者组合。

时间复杂度排序：O(1) < O(logn) < O(n) < O(n^ 2) < O(2^n)

空间复杂度

空间复杂度记作：S(n)=O(f(n))，其中n为输入规模，f(n)为算法关于n所占存储空间的函数。

一般情况下说复杂度，默认为算法的时间复杂度。

推荐阅读：
大O，提供了常用的算法时间复杂度，并以图表形式呈现。