时间复杂度和空间复杂度

1.算法效率

1.1 如何衡量一个算法的好坏

long long Fib(int N)
 {
    if(N < 3)
         return 1;
     
     return Fib(N-1) + Fib(N-2);
 }

斐波那契数列的递归实现方式非常简洁，但简洁一定好吗？
可以发现斐波那契的直观形式十分简洁，但是可以发现，在递归时候，会产生1 2 4 8——2^n最终会调用这么多次数的函数，无疑给处理器增加很多负担，算法效率的考量就涉及到相关知识，分为时间复杂度和空间复杂度两个概念

1.2 算法的复杂度

算法在编写成可执行程序后，运行时需要耗费时间资源和空间(内存)资源 。因此衡量一个算法的好坏，一般是从时间和空间两个维度来衡量的，即时间复杂度和空间复杂度。
时间复杂度主要衡量一个算法的运行快慢，而空间复杂度主要衡量一个算法运行所需要的额外空间。在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度。
复杂度类型：

2.时间复杂度

2.1 时间复杂度的概念

时间复杂度的定义：在计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。一个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。但是我们需要每个算法都上机测试吗？是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法的时间复杂度。
找到某条基本语句与问题规模N之间的数学表达式，就是算出了该算法的时间复杂度。
请计算一下Func1中++count语句总共执行了多少次？

void Func1(int N)
{
	int count = 0;
	for (int i = 0; i < N ; ++ i)  //n次，并且每调用一次，里面一层执行n次
	{
		for (int j = 0; j < N ; ++ j)  //n次
		{
			++count;
		}
	}
   
	for (int k = 0; k < 2 * N ; ++ k)  //2n次
	{
		++count;
	}

	int M = 10;  //10次
	while (M--)
	{
		++count;
	}
	printf("%d\n", count);
}

所以++count一共执行了n^2 +2n+10次，复杂度要有极限的概念，当n趋近于无穷的时候相当于n方次，尾项忽略不计
实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数，那么这里我们使用大O的渐进表示法。

2.2 大O的渐进表示法

大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。
推导大O阶方法：
1、用常数1取代运行时间中的所有加法常数。
2、在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，则去除与这个项目相乘的常数。得到的结果就是大O阶。
使用大O的渐进表示法以后，Func1的时间复杂度为：
O(N^2)
通过上面我们会发现大O的渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数。
另外有些算法的时间复杂度存在最好、平均和最坏情况：
最坏情况：任意输入规模的最大运行次数(上界)
平均情况：任意输入规模的期望运行次数
最好情况：任意输入规模的最小运行次数(下界)
例如：在一个长度为N数组中搜索一个数据x
最好情况：1次找到
最坏情况：N次找到
平均情况：N/2次找到
在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)
2.3常见时间复杂度计算举例

 // 计算Func2的时间复杂度？
 void Func2(int N)
 {
 	int count = 0;
 	for (int k = 0; k < 2 * N ; ++ k)
	{
 		++count;
 	}
 
 	int M = 10;
 	while (M--)
 	{
 		++count;
 	}
 
 	printf("%d\n", count);
 }

2n+10，极限思想，所以是O(N)

 // 计算Func3的时间复杂度？
 void Func3(int N, int M)
 {
 	int count = 0;
 	for (int k = 0; k < M; ++ k)
 	{
 		++count;
 	}
 
 	for (int k = 0; k < N ; ++ k)
 	{
 		++count;
 	}
 	printf("%d\n", count);
 }

M和N都是变量，并且是M+N,采用大O法依然是线性复杂度，为O(M+N)

 // 计算Func4的时间复杂度？
> void Func4(int N)
> {
> 	int count = 0;
> 	for (int k = 0; k < 100; ++ k)
> 	{
> 		++count;
> 	}
> 	printf("%d\n", count);
> }

100次，是常数复杂度O（1）
// 计算BubbleSort的时间复杂度？

// 计算BubbleSort的时间复杂度？
 void BubbleSort(int* a, int n)
 {
 	assert(a);
 	for (size_t end = n; end > 0; --end)
 	{
 		int exchange = 0;
 		for (size_t i = 1; i < end; ++i)
 		{
 			if (a[i-1] > a[i])
 			{
 				Swap(&a[i-1], &a[i]);
 				exchange = 1;
 			}
 		}
 
 		if (exchange == 0)
 			break;
 	}
 }

n+(n-1)+(n-2)+……+2+1，由高斯求和公式得，近似为O(N^2)

int BinarySearch(int* a, int n, int x)
 {
 	assert(a);
 
 	int begin = 0;
 	int end = n-1;
     // [begin, end]：begin和end是左闭右闭区间，因此有=号
	while (begin <= end)
 	{
 		int mid = begin + ((end-begin)>>1);
 		if (a[mid] < x)
 			begin = mid+1;
 		else if (a[mid] > x)
 			end = mid-1;
 		else
 			return mid;
 	}
 

基本操作执行最好1次，最坏O(logN)次，时间复杂度为 O(logN) ps：logN在算法分析中表示是底数为2，对数为N。有些地方会写成lgN。

3.空间复杂度

空间复杂度也是一个数学表达式，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 。

空间复杂度不是程序占用了多少bytes的空间，因为这个也没太大意义，所以空间复杂度算的是变量的个数。空间复杂度计算规则基本跟实践复杂度类似，也使用大O渐进表示法。

注意：函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了，因此空间复杂度主要通过函数在运行时候显式申请的额外空间来确定。

 void BubbleSort(int* a, int n)
 {
 	assert(a);
 	for (size_t end = n; end > 0; --end)
 	{
 		int exchange = 0;
 		for (size_t i = 1; i < end; ++i)
 		{
 			if (a[i-1] > a[i])
 			{
 				Swap(&a[i-1], &a[i]);
 				exchange = 1;
 			}
 		}
 
 		if (exchange == 0)
 			break;
 	}
 }

使用了常数个额外空间，所以空间复杂度为 O(1)

long long* Fibonacci(size_t n)
 {
     if(n==0)
          return NULL;
     
     long long * fibArray = (long long *)malloc((n+1) * sizeof(long long));
     fibArray[0] = 0;
     fibArray[1] = 1;
     for (int i = 2; i <= n ; ++i)
     {
         fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
     }
 
     return fibArray;
 }

动态开辟了N个空间，空间复杂度为 O(N)

得益于目前计算机硬件的发展，其实对于程序复杂度考量主要从时间复杂度考量，时间就是金钱，
申请的动态内存空间，对于存储器来说并没有多大压力，所以在写程序时候要有牺牲空间换时间的意识。