数据结构——复杂度解析

时间复杂度

时间复杂度：算法中基本操作的执行次数。

空间复杂度

空间复杂度：是对一个算法在运行过程中临时占用存储空间大小的量度 （空间复杂度算的是变量的个数）

注意：
时间是累计的，空间可以重复使用。

大O渐进法：

大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。
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，则去除与这个项目相乘的常数。得到的结果就是大O阶。
注意：
有些算法的时间复杂度存在最好、平均和最坏情况，在实际中一般情况关注的是算法的最坏运行情况

计算时间复杂度练习

```c
void Func2(int N) 
{ int count = 0;
for (int k = 0; k < 2 * N ; ++ k)
 {
 ++count; 
 }

int M = 10; 
while (M--) 
{   
 ++count;
}
printf("%d\n", count); 
}
//  执行次数2*N+10
//大O渐进法  O（N）

```c
//在一串字符串中需找一个字符
const char * strchr ( const char * str, int character );
//执行次数：最好为1最坏为N
//O（N）；

//计算冒泡排序的时间复杂度
void BubbleSort(int* a, int n) 
{ assert(a); 
for (size_t end = n; end > 0; --end)
 {    int exchange = 0;   
  for (size_t i = 1; i < end; ++i)   
   {        
       if (a[i-1] > a[i])     
      { 
      Swap(&a[i-1], &a[i]);  //交换两个数的函数        
      exchange = 1;       
      }  
   }
  if (exchange == 0)       
   break; 
 } 
}
//最好的情况执行N-1次，
//最坏的情况是待排序的是逆序排列，此时第i趟冒泡排序需进行n-i次比较。经过n-1趟排序后总的比较次数为N*（N-1）/2
//O(N^2)

// 计算阶乘递归Factorial的时间复杂度 
long long Factorial(size_t N) 
{ return N < 2 ? N : Factorial(N-1)*N; }
//递归调用了N次  O（N）
// 计算斐波那契递归Fibonacci的时间复杂度
 long long Fibonacci(size_t N) 
 { return N < 2 ? N : Fibonacci(N-1)+Fibonacci(N-2); }
 //O(2^N)  可画图递归栈帧的二叉树进一步了解 

计算空间复杂度练习

下面的程序与上面对应程序一样
//计算冒泡排序的时间复杂度

使用了常数个额外空间
空间复杂度为O（1）

// 计算阶乘递归Factorial的时间复杂度

递归N次动态开辟N个空间
空间复杂度为O（N）