瑞_数据结构与算法_时空间复杂度（笔记小结）-CSDN博客

本文链接：https://blog.csdn.net/weixin_45988482/article/details/135404280

文章目录

1 前言

🙊众所周知：“程序 = 数据结构 + 算法”。在计算机科学中，数据结构和算法是两个核心概念，它们共同决定了一个程序的效率和性能。为了评估算法的优劣，我们通常使用时间复杂度和空间复杂度这两个指标。本文将对这两个概念进行简单介绍，由于是本文只是笔记小结，不会深入探讨（后续博主会更新深度解析）。

2 时空间复杂度背景及意义

数据结构中的时间复杂度和空间复杂度是衡量算法效率的关键指标，这有助于我们比较和选择最佳的解决方案。时间复杂度主要关注算法执行的速度，即随着输入数据量的增加，算法所需的计算时间如何变化。而空间复杂度则关注算法在运行过程中额外使用的存储空间。

时空间复杂度是衡量算法性能的重要指标，对于我们理解和优化算法具有重要意义。在早期的计算机技术中，由于存储容量有限，空间复杂度曾经是一个重要的考虑因素。但在现在的实际应用中，我们往往更加注重时间复杂度，因为它直接影响到程序的响应速度和用户体验。毕竟随着计算机技术的发展，现代计算机的存储容量已经大大增加，因此对于大多数应用来说，空间复杂度不再像时间复杂度那样关键。虽然如此，但是！但是！但是！也不要随便拿空间去换时间，当然土豪例外。

3 时间复杂度

计算机科学中，时间复杂度是用来衡量：一个算法的执行，随数据规模增大，而增长的时间成本。是指执行算法所需要的计算工作量它反映了算法运行时间的长短。通常用大O符号表示，记作O(f(n))，其中n为问题的规模，f(n)为关于n的函数。特别注意：我们所说的时间复杂度都是省略常数项系数的，因为默认数据规模足够大。

需要注意：时间复杂度不依赖于环境因素，即不包括硬件环境和软件环境

时间复杂度的分析通常基于算法中的基本操作次数。我们要找的是随问题规模n增大而增大的最快的项，并将其系数变为1，作为时间复杂度的度量。例如，如果一个算法在最坏情况下的时间复杂度为O(n^2)，那么当输入规模n增大时，该算法的运行时间将呈二次方增长。

3.1 时间复杂度的分析

最好情况时间复杂度：在最理想的输入情况下，算法所需的时间。
平均情况时间复杂度：在所有可能的输入情况下，算法所需的平均时间。
最坏情况时间复杂度：在最糟糕的输入情况下，算法所需的时间。

3.2 常见的时间复杂度

常见的算法时间复杂度包括：常数阶O(1)、对数阶O(log n)、线性阶O(n)、线性对数阶O(n log n)、平方阶O(n²)、立方阶O(n³)、K次方阶O(n^k)、指数阶O(2ⁿ)等。

O(1)：常数时间复杂度。算法所需时间不随输入规模的变化而变化，例如访问数组的某个元素。
O(logn)：对数时间复杂度。算法所需时间随输入规模的对数增长，例如二分查找。
O(n)：线性时间复杂度。算法所需时间随输入规模的线性增长，例如遍历数组或列表。
O(nlogn)和O(n²)：多项式时间复杂度。算法所需时间随输入规模的多项式增长，例如排序（O(nlogn)）和遍历二维数组（O(n²)）。
O(n³)：立方时间复杂度。算法所需时间随输入规模的立方增长，例如三重循环。

从小到大排序：O(1) < O(log n) < O(n) < O(n log n) < O(n²) < O(n³) < O(n^k) < O(2ⁿ) ，当需要搜索的元素越多时，前面的比后面的执行效率越高。

3.3 时间复杂度的优化

选择适合问题特性的数据结构：例如，对于需要频繁查找的数据，使用哈希表可能比数组更高效。
利用算法特性：了解和利用各种算法的特性，如分治、贪心、动态规划等，可以降低时间复杂度。
避免重复计算：将重复计算的结果存储在缓存中，以减少重复计算的工作量。
优化循环结构：通过减少循环次数或优化循环体内的操作，可以降低时间复杂度。

4 空间复杂度

计算机科学中，空间复杂度关注的是算法执行所需的额外空间，衡量：算法在处理输入数据时所需的最大存储空间，即一个算法执行随数据规模增大，而增长的额外空间成本。与时间复杂度类似，一般也使用大O表示法。例如，如果一个算法的空间复杂度为O(1)，这意味着无论输入规模如何，该算法所需的空间都是常数。

4.1 空间复杂度的分析

最大空间复杂度：在处理最大规模输入时，算法所需的最大存储空间。
平均空间复杂度：在处理随机或平均情况下的输入时，算法所需的平均存储空间。

4.2 常见的空间复杂度

O(1)：常数空间复杂度。算法所需的空间是常数，不随输入规模的变化而变化，例如使用固定大小的数组或栈。
O(logn)：对数空间复杂度。算法所需的空间随输入规模的对数增长，例如二叉搜索树。
O(n)：线性空间复杂度。算法所需的空间随输入规模的线性增长，例如使用动态规划或递归时的递归调用栈。
O(nlogn)和O(n²)：多项式空间复杂度。算法所需的空间随输入规模的多项式增长，例如排序（O(nlogn)）和遍历二维数组（O(n²)）。
O(n³)：立方空间复杂度。算法所需的空间随输入规模的立方增长，例如某些矩阵乘法算法。

4.3 空间复杂度的优化

利用数据结构特性：选择适合问题特性的数据结构，以减少存储需求。例如，使用哈希表代替链表可以减少存储空间的使用。
避免不必要的存储：优化算法以减少不必要的存储和重复计算，例如使用缓存技术来存储重复计算的结果。
利用并行和分布式处理：对于大规模数据或计算密集型任务，将任务分解并在多个处理器或计算机上同时处理可以降低单次操作的复杂度。通过并行和分布式处理技术，可以显著提高效率并降低空间复杂度。