深入浅出了解 时间复杂度，时间频度，空间复杂度

时间频度：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

1) 一 般情况下，算法中的基本操作语句的重复执行次数是问题规模 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) ) ，称Ｏ ( f(n) )  为算法的渐进时间复杂度，简称时间复杂度 。

●

2) T(n ) 不同，但时间复杂度可能相同。 如： T(n)= n²+7n+6 与 T(n)= 3n²+2n+2 它们的 T(n)  不同，但时间复杂度相同，都为 O(n²) 。

3) 计 算时间复杂度的方 法：

●

• 用常数 1 代替运行时间中的所有加法常数  T(n)=n²+7n+6  => T(n)= n²+7n+1

• 修改后的运行次数函数中，只保留最高阶项  T(n)= n²+7n+1 => T(n) = n²

• 去除最高阶项的系 数 T(n) = n² => T(n) = n² => O( n² )

常见的时间复杂度

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)

上述代码在执行的时候，它消耗的时候并不随着某个变量的增长而增长，那么无论这类代码有多长，即使有几万几十万行，都可以用O(1)来表示它的时间复杂度。

2)对数阶O(log2n)

说明：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。假设循环x次之后，i 就大于 2 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(log2n)  。 O(log2n) 的这个2 时间上是根据代码变化的，i = i * 3 ，则是 O(log3n) .

3)线性阶O(n)

 

 

 

说明：这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用O(n)来表示它的时间复杂度

4)线性对数阶O(nlogN)

说明：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)

5)平方阶O(n²)

说明：平方阶O(n²) 就更容易理解了，如果把 O(n) 的代码再嵌套循环一遍，它的时间复杂度就是 O(n²)，这段代码其实就是嵌套了2层n循环，它的时间复杂度就是 O(n*n)，即  O(n²) 如果将其中一层循环的n改成m，那它的时间复杂度就变成了 O(m*n)

6)立方阶O(n³)、K次方阶O(n^k)

说明：参考上面的O(n²) 去理解就好了，O(n³)相当于三层n循环，其它的类似

 

平均时间复杂度和最坏时间复杂度

1) 平 均时间复杂度是指所有可能的输入实例均以等概率出现的情况下，该算法的运行时间 。

2) 最 坏情况下的时间复杂度称最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。 这样做的原因是：最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限，这就保证了算法的运行时间不会比最坏情况更长 。

3) 平均 时间 复杂度和 最 坏时间复杂度 是 否一致，和算法有关 ( 如图 :) 。

 

 

空间复杂度简介

1) 类 似于时间复杂度的讨论，一个算法的空间复杂度 (Space Complexity) 定 义为该算法所耗费的存储空间，它也是问题规模 n 的函数 。

2) 空间复杂度 (Space Complexity) 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 。有 的算法需要占用的临时工作单元数与解决问题的规模 n 有关，它随着 n 的增大而增大，当 n 较大时，将占用较多的存储单元，例 如快 速排序和归并排序算法就属于这种情 况

3) 在做算法分析时， 主要讨论的是时间复杂度 。从用户使用体验上看，更看重的程序执行的速度。一些缓存产品 ( redis , memcache ) 和算法 ( 基数排序 ) 本质就是用空间换时间 .