算法的时间复杂度与空间复杂度（总结合集+例子）

定义

时间复杂度

  在进行算法分析时，语句总的执行次数$T(n)$是关于问题规模 n 的函数，进而分析$T(n)$随 n 的变化情况并确定$T(n)$的数量级。算法的时间复杂度，也就是算法的时间度量，记作$T(n)=O(f(n))$。其中$f(n)$是问题规模 n 的某个函数。

空间复杂度

  通过计算算法所需的储存空间实现，算法空间复杂度的计算公式记作：
$$S(n)=O((f(n)))$$
其中，n 为问题的规模，$f(n)$为语句关于 n 所占存储空间的函数。

时间复杂度的计算方法

即推导大O阶方法
1.用常数1取代运行时间中的所有加法常数。
2.在修改后的运行次数函数中，只保留最高阶项。
3.如果最高阶项存在且不是1，则去除与这个项相乘的常数。
得到的结果就是大O阶

  下面给出实例具体看如何求解时间复杂度。

1.常数阶

  例如下面这段代码：

int a = 1, b = 2;    /*执行1次*/
a = a + b;    /*执行1次*/
b = b + a;    /*执行1次*/

每段代码均执行一次，不断执行多少段这样的代码，其次数都是常数，是有限的，所以此时其具有O(1)的时间复杂度，又称为常数阶。

2.线性阶

  循环结构对时间复杂度具有较大的影响

  下面这段代码，时间复杂度为O(n)，因为循环体中的代码要执行 n 次。

int i, sum = 0;
for(i = 0; i < n; i++)
{
   
	sum = i + j;
}

3.对数阶

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

  上面这段代码，设循环次数为$x$，则得到下面等式：
$$\begin{gathered} 2^x=n \\ x=lo{g}_{2}n \end{gathered}$$
所以这个循环的时间复杂度为O($logn$)

4.平方阶

  下面给出一个循环嵌套：

int i,j;
for