时间复杂度和空间复杂度分析，大O复杂度表示法

时间复杂度和空间复杂度分析

大O复杂度表示法

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

其中，T(n) 它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。因为这是一个公式，所以用 f(n)来表示。公式中的 O，表示代码的执行时间 T(n) 与 f(n) 表达式成正比。

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

我们假设每个语句的执行时间是 unit_time。那这段代码的总执行时间 T(n) 是多少呢？第 2、3、4 行代码，每行都需要 1 个 unit_time 的执行时间，第 5、6 行代码循环执行了n 遍，需要 2n * unit_time 的执行时间，第 7、8 行代码循环执行了 n²遍，所以需要 2n²* unit_time 的执行时间。所以，整段代码总的执行时间 T(n) = (2n² +2n+3)*unit_time。

例子中的 T(n) = O(2n² +2n+3)。这就是大 O 时间复杂度表示法。大 O 时间复杂度实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度（asymptotic time complexity），简称时间复杂度。

当 n 很大时，你可以把它想象成 10000、100000。而公式中的低阶、常量、系数三部分并不左右增长趋势，所以都可以忽略。我们只需要记录一个最大量级就可以了，如果用大 O表示法表示刚讲的那两段代码的时间复杂度，就可以记为： T(n) = O(n² )。

时间复杂度分析

1. 只关注循环体次数最多的一段代码
2. 加法法则：总复杂度等于量级最大的那段代码的复杂度
3. 乘法法则：嵌套代码的复杂度等于嵌套内外代码的乘积

空间复杂度分析

时间复杂度的全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系。类比一下，空间复杂度全称就是渐进空间复杂度（asymptotic space
complexity），表示算法的存储空间与数据规模之间的增长关系。

为了表示代码在不同情况下的不同时间复杂度：

1. 最好情况时间复杂度
2. 最坏情况时间复杂度和平均情况时间复杂度。
3. 平均情况时间复杂
4. 均摊时间复杂度

顾名思义，最好情况时间复杂度就是，在最理想的情况下，执行这段代码的时间复杂度。就像我们刚刚讲到的，在最理想的情况下，要查找的变量 x 正好是数组的第一个元素，这个
时候对应的时间复杂度就是最好情况时间复杂度。
同理，最坏情况时间复杂度就是，在最糟糕的情况下，执行这段代码的时间复杂度。就像刚举的那个例子，如果数组中没有要查找的变量 x，我们需要把整个数组都遍历一才行，所以这种最糟糕情况下对应的时间复杂度就是最坏情况时间复杂度。