算法复杂度

时间复杂度

大O复杂度表示法：

int sum(int n){
     int s=0; //t: 一行代码一个执行单位
     int i=1; //t
     for(;i<=n;i++){ //t*n
         s=s+i;      //t*n
     }
     return s;       //t
}

这段代码的总时间就是t+t+nt+nt+t=2n*t+3t
即执行时间T(n)与执行次数成正比

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

T(n): 代码执行时间
n:数据规模
f(n):每行代码执行次数总和
O:代码的执行时间与f(n)表达式成正比
上面的方法为 T(n)=O(2n+3)
当n无限大时，低阶、常量、系统都可以忽略
即T(n)=O(n)

int sum(int n){
    int s=0;
    int i=1;
    int j=1;
    for(;i<=n;i++){// n
        j=1;
        for(;j<=n;j++){ //n*n
            s=s+i+j;    //n*n
        }
	}
return s; 
}

上面的例子T(n)=O(n²)

如何计算时间复杂度：

总复杂度=量级最大的复杂度

int sum(int n){
    int s=0;
    int i=1;
    int j=1;
    for(;i<=n;i++){ //t*n
        s=s+i;      //t*n
	}
	//这一段嵌套循环的复杂度量级更高
    for(;i<=n;i++){// n
        j=1;
        for(;j<=n;j++){ //n*n
            s=s+i+j;    //n*n
		}
	}
	return s; 
}

T(n)=O(n²)

嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

常见的时间复杂度

• O(1)：常量级
  不是只执行了一行代码，只要代码的执行不随着数据规模(n)的增加而增加
• O(logn)
  T(n)=O(logn)

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

• O(n)
  普通的循环遍历等

• O(m+n)

int sum(int m,int n){
    int s1=0;
    int s2=0;
    int i=1;
    int j=1;
    for(;i<=m;i++){
		s1=s1+i; 
	}
	for(;j<=n;j++){ 
		s2=s2+j; 
	}
    return s1+s2;
}

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

比如将一个数组拷贝到另一个数组中，就是相当于空间扩大了一倍:T(n)=O(2n)，忽略系数。即为:O(n)，这是一个非常常见的空间复杂度，比如跳跃表、hashmap的扩容

跳跃表是一种典型的空间换时间