时间复杂度和空间复杂度

、

---

前言

算法效率分析分为两种：第一种是时间效率，第二种是空间效率。时间效率被称为时间复杂度，而空间效率被称作空间复杂度。

一、时间复杂度

1.大O渐进表示法

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。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。
因为当N比较大时，低阶影响可以忽略不记。

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.例题

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++; }
System.out.println(count);
}

答：O(M+N),此时M,N都是变量，无法确定谁大谁小。图的临接表变量O(V+E)

void func4(int N) {
int count = 0;
for (int k = 0; k < 100; k++) {//注意与N无关
   count++; }
System.out.println(count);
}

答：O(1)循环次数与N无关系，因此仍然是常数级别

int binarySearch(int[] array, int value) {
   int begin = 0;
   int end = array.length - 1;
   while (begin <= end) {
       int mid = begin + ((end-begin) / 2);
       if (array[mid] < value)
           begin = mid + 1;
       else if (array[mid] > value)
           end = mid - 1;
       else
           return mid;
   }
   return -1; }

每次进行/N最终等于0或1操作以及乘一个数到N的操作的复杂度都是logN
答：O(logN)

long factorial(int N) {
 return N < 2 ? N : factorial(N-1) * N; }

答：O(N)

// 计算斐波那契递归fibonacci的时间复杂度？
int fibonacci(int N) {
 return N < 2 ? N : fibonacci(N-1)+fibonacci(N-2);
}

答：解析为求二叉树节点的个数问题，最坏：二叉树是一个满二叉树，所以为O（N^2）

二、空间复杂度

空间复杂度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。也就是要看额外开辟空间的大小。也使用大O渐进表示法。

1.例题

void bubbleSort(int[] array) {
for (int end = array.length; end > 0; end--) {
     boolean sorted = true;
     for (int i = 1; i < end; i++) {
         if (array[i - 1] > array[i]) {
             Swap(array, i - 1, i);
             sorted = false;
         }
     }
     if (sorted == true) {
         break;
     }
 }
}

在排序过程中，并没有额外产生新的数组空间，这个冒泡排序的空间复杂度为O(1)

int[] fibonacci(int n) {
long[] fibArray = new long[n + 1];
fibArray[0] = 0;
fibArray[1] = 1;
for (int i = 2; i <= n ; i++) {
  fibArray[i] = fibArray[i - 1] + fibArray [i - 2];
 }
return fibArray; }

由于我们在方法内部自己声明一个长度为N+1的新数组，常数项省略，空间复杂度为O(N)

long factorial(int N) {
 return N < 2 ? N : factorial(N-1)*N; }

空间复杂度为O(N)

总结：
①递归算法的空间复杂度基本都是O(N)
②每当调用一次递归函数，内存就开辟一部分空间；调用N次函数，开辟N个空间。
③空间复杂度基本要么是O(N)，要么是O(1)