【LeetCode-算法入门】复杂度

算法的效率

• 时间复杂度：执行程序所用的时间（CPU的使用程度）
• 空间复杂度：执行程序所用的存储空间（内存的使用程度）

我们要找一个时间和空间的tradeoff。一般来说，时间复杂度影响更深（内存不够可以加…），所以复杂度大部分情况指的是“时间复杂度“。

时间复杂度

• 时间频度：一个算法中，语句执行的次数；记为 $T(n)$​ ​，其中 $n$​ 为问题的规模。

• （渐进）时间复杂度：

  • 因为时间频度和 $n$ 相关，但我们不知道 $n$ 的情况下，还是无法比较两个时间频度 $T(n)$​​，所以引进这个渐进时间复杂度。
  • 定义：若存在函数 $f(n)$ 使得当 $n$ 趋于无穷大时，$T(n)/f(n)$ 的极限是不等于 0 的常数，则称 $f(n)$ 是 $T(n)$ 的同数量级函数；记作， $T(n)=O(f(n))$，则称 $O(f(n))$ 为算法的渐进时间复杂度，简称时间复杂度。

• 因为渐进时间复杂度用大写 $O$​ 来表示，所以也被称为大 $O$ 表示法。

我的理解就是：用一个我们常见的、好理解的、简单函数f(n)来表示时间频度T(n)。

• $f(n)$ 可以为：$1$、$n$、$logn$、$n^2$ 等；同样的，可将 $O(1)$、$O(n)$、$O(logn)$、$O(n^2)$​​ 称为常数阶、线性阶、对数阶和平方阶。

如何推导时间复杂度 $O$​ ？

1. 如果运行时间为常数量级，用常数1表示；
2. 质保路时间函数/时间频度中的最高阶项；
3. 如果最高阶项存在，省去最高阶项前面的系数。

时间复杂度的比较：

$O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(2^n)<O(n!)<O(n^n)$

不同时间复杂度举例（cont.）

1. $O(logn)$​ ：二分查找
2. $O(n)$​：一个for循环
3. $O(nlogn)$​ ：
4. $O(n^2)$：两个嵌套的for循环

Reference

1. https://blog.csdn.net/qq_41523096/article/details/82142747
2. https://blog.csdn.net/itachi85/article/details/54882603