快速搞懂算法复杂度

1. 复杂度

算法复杂度是帮助开发者评估算法优劣程度的评价指标。算法复杂度分为时间复杂度和空间复杂度。

1.1 时间复杂度

从时间维度出发，执行当前算法所消耗的时间，我们通常用「时间复杂度」来描述。简单来说，就是一个程序的运行时间。

时间复杂度受数据以及算法策略影响。通常来说，暴力解法的算法复杂度相对较高，也是最不考虑的算法。

需要注意的是，通常在进行时间复杂度分析时，我们只考虑最高阶的变元。原因如下：

例如，当我们在对一个长度为N的数组进行选择排序时间复杂度的分析时。

假设数组为[48 12 61 3 5 19 32 7 24 31]

第一次遍历：目的是确定下标为0的位置的数。

首先设min=下标为0的数，也就是min=48，然后48依次与后面的每一个数进行对比。如下图。

此时min=3，所以0下标的数跟3对换，就变成如下图。

经过第一次遍历，数组变成[3 12 61 48 5 19 32 7 24 31]。此时数组中最小的数已经在正确的位置了。

第一遍遍历对比了N-1次；

第二遍遍历从下标为1的位置开始，依次与后面的数进行比较，确定最小值放在下标1位置，此时对比了N-2次；

第三遍遍历从下标为2的位置开始，依次与后面的数进行比较，确定最小值放在下标2位置，此时对比了N-3次；

……以此类推；

最后一次遍历从下标为8的位置开始，与下标为9的数对比，确定最后两个下标的数，此时对比了1次。

所以整个选择排序一共对比了N-1+N-2+……+2+1次。整理一下就是aN²+bN+c。

当N是一个很大很大超级大的数的时候，能影响最后结果的只有N²，无论常数a、b、c多么大，在N²面前都不值一提。或许你会说那如果N不大呢，比如10N²+100000000000N+10，此时N更影响最后结果。但是！！因为时间复杂度对于我们来说通常只讨论最坏情况，所以我们假设N无限大，所以在时间复杂度上，我们只考虑阶数最大的那个变元。比如例子中的N²。

那这里就不得不补充一个知识点了。

我们使用时间复杂度的符号一般为O()，他表示这个算法的最差情况的时间复杂度。比如例子中的时间复杂度就是O(N²)。同时还有θ(),表示平均情况下的时间复杂度；Ω()表示最好情况下的时间复杂度。

同时，当指标无法确定时，我们需要实际去运行程序才能确定一个程序的时间复杂度情况。也就是说，不同的数据状况会影响算法的表现。比如插入排序的时间复杂度为O(N²)，但当待排序的数组并不怎么需要调整位置的时候，它的时间复杂度低于O(N²)；而冒泡排序和选择排序不管数据状况怎么样，时间复杂度都是O(N²)。

1.2 空间复杂度

从空间维度出发，执行当前算法需要占用多少内存空间，我们通常用「空间复杂度」来描述。简单来说，就是一个程序运行所需要的空间，比如我们只设置了一个变量a或者两个变量等有限个数的变量时，那么这个程序的空间复杂度就是1，也就是说有限个数的变量空间我们默认为1；又比如为了实现选择排序，我们通常需要一个新的变量空间去记录当前找到的最小值/最大值。

作者：ee在努力
链接：https://juejin.cn/post/7236345420426706999
来源：稀土掘金
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。