时间复杂度与空间复杂度

Big O notation

• O(1): Constant Complexity 常数复杂度

int n=100;
sout("this is n =" +" n");  //执行了一次 这里的时间复杂度为O(1)

int n=100;
sout("this is n =" +" n"); 
sout("this is n1 =" +" n"); 
sout("this is n2 =" +" n"); 
 //执行了3次 这里的时间复杂度为O(3)

不论执行了几次，只要是个常数，就可以统一将常数的时间复杂度为O(1)，即常数复杂度

• O(log n): Logarithmic Complexity 对数复杂度

 for (int i = 1; i < n; i = i * 2) {   
   System.out.println("Hey - I'm busy looking at: " + i);
   }

• O(n): Linear Complexity 线性时间复杂度

 for (int i = 1; i <= n; i++) {     
     System.out.println(i);
      }

因为执行了n次，所以它的时间复杂度为O(n)；

 for (int i = 1; i <= n; i++) {     
     System.out.println(i);
      } 
      for (int j = 1; j <= n; j++) {     
     System.out.println(j);
      }

虽然执行了2n次，但是它的时间复杂度也为O(n)；即O(2n)去掉前面的系数2；

• O(n^2): N square Complexity 平方

 for (int i = 1; i <= n; i++) {     for (int j = 1; j <=n; j++) {         
 System.out.println(i + j);    
  } 
  }

因为执行了n^2次， 所以它的时间复杂度为O(n^2)；即为双层嵌套循环

• O(n^3): N square Complexity 立方
  即为三层嵌套循环。

注意：在考虑复杂度的时候，不考虑前面的系数。

写程序的时候，用最简洁的时间与空间复杂度完成

计算：1 + 2 + 3 + … + n

• 方法⼀一：从1到n的循环累加

y = 0
 for i = 1 to n:
    y += i 

空间复杂度：O(1)

• 方法二：求和公式 sum = n(n+1)/2

 y = n * (n + 1) / 2

空间复杂度：O(n)
所以对于能用公式的，用公式。

递归
0, 1, 1, 2, 3, 5, 8, 13, 21, …

F(n) = F(n - 1) + F(n - 2)

如果直接用递归：

int fib(int n) {
   if (n <= 2) return n;    
    return fib(n - 1) + fib(n - 2);
    }    

用递归，会用很多冗余的操作。
以6为例，它要运算2^6次，非常多。
在面试中，尽量不要这样写。

二叉树遍历 - 前序、中序、后序：时间复杂度是多少？
每个节点访问且仅访问一次，所以为时间复杂度线性与二叉树的节点总数为O(n) ，

图的遍历：时间复杂度是多少？
图里面每个节点访问且仅访问一次，所以时间复杂度为O(n)，n为图里面的节点总数。

搜索算法：DFS、BFS 时间复杂度是多少？
DFS深度优先，BFS广度优先，不管是DFS还是BFS，因为访问的节点是访问一次，所以时间复杂度为O(n)，n为搜索空间里面的节点总数。

二分查找：时间复杂度是多少？
O(log(n))