数据结构之时间复杂度和空间复杂度

数据结构入门

---

---

前言

1. 什么是数据结构：
   数据结构(Data Structure)是计算机存储、组织数据的方式，指相互之间存在一种或多种特定关系的数据元素的集合。

2. 什么是算法？
   算法(Algorithm):就是定义良好的计算过程，他取一个或一组的值为输入，并产生出一个或一组值作为输出。简单来说算法就是一系列的计算步骤，用来将输入数据转化成输出结果

3. 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。
   

---

一、时间复杂度

1.定义

• 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。

• 注意：时间复杂度并不是看得代码执行时间！！
  而是看主要操作执行次数！！
  即：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。

举个例子：

void Func1(int N) 
{
	int count = 0;
	for (int i = 0; i < N ; ++ i) {
	 for (int j = 0; j < N ; ++ j)
		 {
			 ++count;
		 }
	}
	 
	for (int k = 0; k < 2 * N ; ++ k) 
	{
		++count;
	 }
	int M = 10;
	while (M--) {
	 ++count;
  }
  }

• 很明显，主要操作如下：

• 那么，总共执行次数就是 N * N + 2* N + 10；

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：
N = 10 F(N) = 100
N = 100 F(N) = 10000
N = 1000 F(N) = 1000000

• 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：

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)
• 并且，如果基本运算是常数的情况时间复杂度是 O(1)

3.例题

1）Func3

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);
}

• 时间复杂度：O(M+N)

2）冒泡排序

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;
 }
}

• 最坏情况遍历所有也就是 N*(N-1)/2次，最好情况N次
• 因此冒泡排序时间复杂度：O(N ^ 2)

3）二分查找

int BinarySearch(int* a, int n, int x) {
	 assert(a);
	 int begin = 0;
	 int end = n-1;
	 while (begin < end)
	 {
	 int mid = begin + ((end-begin)>>1);
	 if (a[mid] < x)
	 begin = mid+1;
	 else if (a[mid] > x)
	 end = mid;
	 else
	 return mid;
	 }
	 return -1; 
 }

• 所谓二分，就是每一次把搜素范围减少一半，如图：我们想找到最终的1，从1234开始对半劈，在从12对半找中间元素，以此类推，
• 最好情况就是O(1)
• 最坏的情况就是查找数据在两端，或者没有。
  每一次都需要把所给的区间分成一半，那么假设有m次对半，那么 2 ^ m = N；（N 是总共数据个数）根据数学知识，m = log2 N;
• 注意：对数底可忽略，任何底数为底的都可以写成O(log n)
  logan = logab * logbn a, b>0
  ➢ O(logan) = O(logbn)
  ➢ O(log n)
• 因此时间复杂度：O(log n)

4）阶乘递归

long long Fac(size_t N) {
	 if(0 == N)
	 return 1; 
	 return Fac(N-1)*N; 
 }

• 阶乘递归实际上就是求 1 * 2 * …… * N；
• 很容易想到，也就是递归调用了N次，时间复杂度：O(N)

5）斐波那契递归

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

• 如图：类似二分的思想每一次递归调用下都是两次，并且每一次都是递归到1结束，但是最后一行肯定是有缺少的，那么总共就是 1+ 2 + 4 + 8 + 16 + …… + 2 ^ (n-1) - 常数M
• 又因为常数M 小于 2 ^ (N-1) ,用等比数列求和公式，得到前边和是2 ^ (n-1) - 1
• 因此时间复杂度：O（N * 2）

---

当然我也只是拿几个例子来说明，大家还可以自行找题深入研究

---

二、空间复杂度

1.定义

• 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。
• 并且由于摩尔定律，现在发展也不想从前计算机空间很小，现在对空间复杂度要求没那么高。

2.例题

1）冒泡

代码如下（示例）：

// 计算BubbleSort的空间复杂度？
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;
 }
}

• 开辟空间常数个，因此空间复杂度：O(1)

2）斐波那契数列

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; }

• 这里malloc了N + 1个longlong类型数据，空间复杂度：O(N)

3）阶乘递归

long long Fac(size_t N) {
 if(N == 0)
 return 1;
 return Fac(N-1)*N; }

• 这里注意每一次递归调用函数都是要压栈操作的，没次都在原来栈帧上继续开辟空间，
  而空间复杂度要看同一时间下所需要的最大的空间。也就是调用了N次函数，开辟了N 个栈帧，而每个栈帧使用的是常数个空间，因此

• 空间复杂度：O（N）

---

总结

---