算法时空复杂度分析：大O表示法

前言

算法题写完以后，面试官经常会追问一下你这个算法的时空复杂度是多少？（好像作为一名算法工程师，我日常码代码的过程中，并没有太注意这个，惭愧～但是找做后端开发的男票求证了一下，他们日常工作确实会去考虑这种问题）那么无论是为了应付面试，还是为了未来码代码可以精益求精，都还是认真的学一下时空复杂度分析方法吧！
由于不是科班出身，这东西理解了好长时间

对于为什么需要时空复杂度分析，而不是直接跑一下代码看看

1. 测试结果依赖测试环境：机器的配置会十分影响你跑出的结果；
   2. 测试结果依赖数据规模的大小。

因此，我们需要一个不依赖数据规模和测试环境，帮助粗略估计算法执行效率的方法！也就是下面的大O表示法～

大O表示法

举个栗子🌰，下面这个函数的总的执行时间**T(n)=1+2n**个unit time！

public int f(int n) {
    int a = 0; // 1个unit time
    for (int i = 0; i < n; i++) { // n个unit time
        a += i; // n个unit time
    }
    return a;
}

再举个栗子🌰，下面这个函数的总的执行时间T(n)=1+n+2n²个unit time！

public int g(int n, int m) {
    int a = 0; // 1个unit time
    for (int i = 0; i < n; i++) { // n个unit time
        for (int j = 0; j < n; j++) { // n^2个unit time
            a += i * j; // n^2个unit time
        }
    }
    return a;
}

用一个公式表示就是：
T(n) = O(f(n))

其中:

• T(n) 表示代码执行的时间；
• n：表示数据规模的大小；
• f(n)：表示每行代码执行的次数总和
• O：表示执行时间T(n)与f(n)成正比。

所以第一个例子的时间复杂度为T(n) = 1+2n，第二个例子的时间复杂度为T(n)=1+n+2n²，这就是大O时间复杂度表示法。大O时间复杂度表示法实际上并不是具体值代码执行的时间，而是代表代码执行时间随着数据规模增长的变化趋势，所以也叫渐进时间复杂度，简称时间复杂度。

当n很大时，公式中的低阶、常量、系数三部分并不左右增长趋势，所以都可以忽略，只需要记录一个最大量级即可！因此，上例的时间复杂度可以记为：T(n) = O(n)、T(n) = O(n²)。

3个时间复杂度分析原则

1. 只关注循环执行次数最多的一段代码：

还是上面第一个例子，关注for循环这段代码就行了，a = 0这类代码都是常量级的执行时间，与n无关。

public int f(int n) {
    int a = 0; // 1个unit time
    for (int i = 0; i < n; i++) { // n个unit time
        a += i; // n个unit time
    }
    return a;
}

2. 总复杂度 = 量级最大的那段代码的复杂度：

这个有点像运筹学里关键路径法的思想，只有找到了最关键/量级最大的，你去优化的时候才能发力在刀刃上～
比如下面这段代码，有一层for循环的，有两层for循环，我们去关注两层for循环的这段代码即可。

public int g(int n, int m) {
    for (int i = 0; i < n; i++) {
        // pass
    }

    int a = 0; // 1个unit time
    for (int i = 0; i < n; i++) { // n个unit time
        for (int j = 0; j < n; j++) { // n^2个unit time
            a += i * j; // n^2个unit time
        }
    }
    return a;
}

3. 嵌套代码的复杂度 = 嵌套内外代码复杂度的乘积：

上面的第二个例子，两层for循环嵌套，最后的时间复杂度 = 外层for循环的复杂度乘以里面for循环的复杂度。

public int g(int n, int m) {
    int a = 0; // 1个unit time
    for (int i = 0; i < n; i++) { // n个unit time
        for (int j = 0; j < n; j++) { // n^2个unit time
            a += i * j; // n^2个unit time
        }
    }
    return a;
}

常见的时间复杂度量级

• 多项式量级：下图左侧；
• **非多项式量级：**下图右侧波浪线。执行时间会随着数据规模的增大而急剧增大，是非常低效的算法！

空间复杂度

又称为渐进空间复杂度，表示算法的存储空间与数据规模之间的增长关系！

举个栗子🌰，空间复杂度为O(n)

public int[] f(int n) {
    int a = 2; // 1个空间存储变量，常量
    int[] b = new int[n]; // 从下面代码可以看出时一个大小为n的数组
    for (int i = 0; i < n; i++) {
        b[i] = i;
    }
    return b;
}