算法：理解时间复杂度，空间复杂度 ,大O表示法 的相关概念

时间复杂度，空间复杂度

前言：

我们要想写出更加优质的代码必然要考虑《代码运行的效率》。而想要提高代码的运行效率越不过的必然是代码的《时间复杂度，与空间复杂度》这两大门神。

概念：

时间复杂度：就是代码运行所需要的时间
空间复杂度：就是代码运行所要占的计算机内存空间。
相关表达式：T（n）,f(n), O(fn)

时间频度：T（n）
一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
时间复杂度：
前面提到的时间频度T(n)中，n称为问题的规模，当n不断变化时，时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律，为此我们引入时间复杂度的概念。一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n)，使得当n趋近于无穷大时，T（n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数，记作T(n)=O(f(n))，它称为算法的渐进时间复杂度，简称时间复杂度。
(此处引自大神：刘望舒的文章，非常通俗的解释)

表示方式：大O标记法

1,什么叫大O表示法：
概念：像前面用O( )来体现算法时间复杂度的记法，我们称之为大O表示法。
算法复杂度可以从最理想情况、平均情况和最坏情况三个角度来评估，由于平均情况大多和最坏情况持平，而且评估最坏情况也可以避免后顾之忧，因此一般情况下，我们设计算法时都要直接估算最坏情况的复杂度。
大O表示法O(f(n)中的f(n)的值可以为1、n、logn、n²等，因此我们可以将O(1)、O(n)、O(logn)、O(n²)分别可以称为常数阶、线性阶、对数阶和平方阶，那么如何推导出f(n)的值呢？我们接着来看推导大O阶的方法。

另一位大神的漫画版，很通俗的解释

1.用常数1来取代运行时间中所有加法常数。
2.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。

举例子:

常见的时间复杂度有:

• 常数阶O(1)
• 线性阶O(n)
• 对数阶O(logN)
• 线性对数阶O(nlogN)
• 平方阶O(n2)
• 立方阶O(n3)
• K次方阶O(nk)
• 指数阶(2n)

1、常数阶O(1)
  无论代码执行了多少行，只要是没有循环等复杂结构，那这个代码的时间复杂度就都是O(1)。如：

int i = 1;
int j = 2;
++i;
j++;
int m = i + j;

2、线性阶O(n)
  代码消耗随着某个变量的增长而增长（for循环）。如：

for(i=1; i<=n; ++i)
{
   j = i;
   j++;
}

3、对数阶O(logN)

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

从上面代码可以看到，在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。我们试着求解一下，假设循环x次之后，i 就大于 n 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 n，那么 x = log2n
也就是说当循环 log2n 次以后，这个代码就结束了。因此这个代码的时间复杂度为：O(logn)。

4、线性对数阶O(nlogN)
  线性对数阶O(nlogN) 其实非常容易理解，将时间复杂度为O(logn)的代码循环N遍的话，那么它的时间复杂度就是 n * O(logN)，也就是了O(nlogN)。如：

for(m=1; m<n; m++)
{
    i = 1;
    while(i<n)
    {
        i = i * 2;
    }
}

5、平方阶O(n²)
  平方阶O(n2)也好理解，把 O(n) 的代码再嵌套循环一遍，它的时间复杂度就是 O(n²) 了。

for(x=1; i<=n; x++)
{
   for(i=1; i<=n; i++)
    {
       j = i;
       j++;
    }
}

6、立方阶O(n³)、K次方阶O(n^k)
  参考上面的O(n²) 去理解，O(n³)相当于三层n循环，其它的类似。

文章纯属为了学习
原文链接：https://blog.csdn.net/u012786993/article/details/116401818