数据结构—时间复杂度和空间复杂度

前情提要：

        如何衡量一个算法的效率性？

        在日常开发中，开发者不仅仅要做到满足开发需求，还要考虑在已经满足需求的前提下对代码进行优化，使得程序更有效率、 更加稳定。这些都关系到代码的复杂度，而复杂度又分为空间和时间两种。

---

时间复杂度

概念：

        时间复杂度本质上是一个数学函数，一个算法所花费的时间与其中语句的次数成正比，算法中的基本操作次数为算法的时间复杂度

大O的渐进表示法 ：

        在实际计算中只需要保留大概的执行次数，不需要精确知道执行次数我们就会用到大O的渐进表示法

例：

    //请计算一下func的基本操作执行了多少次
    void func(int n)
    {
        int count = 0;
        for (int i = 0; i <n; i++)
        {
            for(int j = 0;j < 0; j++)
            {
                count++;
            }
        }
        for (int i = 0;i < n;i++)
        {
            count++;
        }
        int num =10;
        while(num>0)
        {
            count++;
            num--;
        }
        System.out.println(count);
    }

func的基本执行次数：F(N)= n²+2n+10

推导大O阶方法

1、用常数1代替运行时间中所有的常数

例：

 void add()
    {
        int n = 10;
        int count = 0;
        while(n>0)
        {
            count++;
            n--;
        }
    }

       add 方法中基本操作次数是n次而且n是常数，所以用大O渐进表示法add的时间复杂度为：O(1)

2、在修改基本操作次数之后，只保留最高阶项

3、如果最高阶项不是1，则去除与项目相乘的常数，保留结果就是大O渐进表达式（如上述func保留结果是O(n)=n²） 大O渐进表达式去掉了对结果影响不大的项

另外，有些算法的时间复杂度存在最好情况、最坏情况、平均情况：

最坏情况：任意输入规模的最大运行次数

平均情况：任意输入规模的预期运行次数

最好情况：任意输入规模的最小运行次数

例：在N个元素的数组中找到元素x。

最好情况：1        最坏情况：N        平均情况：N/2

常见时间复杂度例题：

例1：普通加法

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

大O渐进表达式为O(M+N) 

例2：常数加法

// 计算func3的时间复杂度？
void func3(int N) {
    int count = 0;
    for (int k = 0; k < 100; k++) {
        count++;
    }
  
    System.out.println(count);
}

 大O渐进表达式为O(1)，仔细看程序的基本操作次数为100，常数的大O表达式为O(1)

例3：冒泡排序

// 计算bubbleSort的时间复杂度？
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;
        }
    }
}

冒泡排序的时间复杂度就要考虑到最好情况和最坏情况

冒泡排序的时间复杂度计算为：F(N) = n²/2-n/2

最坏情况下冒泡排序的时间复杂度为：O(n²)

最好情况下时间复杂度为：O(n)

最好情况：上例是一个顺序排序，假如给定一个数组为[ 1,2,3,4,5]，那么元素只需要进行五次比较 

例4：二分查找（给定的数组一定是经过排序的数组）

// 计算binarySearch的时间复杂度？
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;
}

 大O渐进表达式为：O(logn)

时间复杂度比较：O(logn)>O(n)，logn效率更高

例5：阶乘递归

// 计算阶乘递归factorial的时间复杂度？
long factorial(int N) {
    return N < 2 ? N : factorial(N-1) * N;
}

递归的次数为2ⁿ ，大O渐进表达式为O(2ⁿ)

例6：斐波那契数列递归

// 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);
}

斐波那契递归次数为N，大O表达式为O(N)

常用的复杂度大小：

        O(1)<O(logN)<O(N)<O(N*logN)<O(N²)

---

 空间复杂度

        代码实例用到的额外空间，就是该算法的空间复杂度。空间复杂度和时间复杂度一样，也用大O表达式。

        如上述例2，用到了常数个额外空间，空间复杂度为O(1)，例5动态开辟了N个额外空间，为O(N)，例6开辟了N个栈帧空间，N个栈帧空间里用了常数个额外空间，空间复杂度为O(N)

---

小结：时间复杂度和空间复杂度还需要视具体代码逻辑去进行考虑。在同样满足编译要求的情况下，时间复杂度和空间复杂度越小，算法越是优质。