时间复杂度和空间复杂度（详解）（1/2）

各位客官好，这里是我说风俗，大家点点赞，收收藏，各位的支持是我持续更新的动力【》-《】

1. 时间复杂度

2. 空间复杂度

1. 时间复杂度

定义：在计算机科学中，算法的时间复杂度是一个函数式T（N），它定量描述了该算法的运行时间。

时间复杂度是衡量程序的时间和效率，那为什么不去计算程序的运行时间呢？

1. 因为程序运行时间和编译环境和运行机器的配置都有关系，比如一个算法程序，用一个老编译器进行编译和新编译器编译，在同一个机器上，运行时间不足。

2. 同一个算法程序，低配和高配机器，运行时间不同。

3. 并且时间只能运行后测试，不能写之前通过理论计算评估。

那么算法时间复杂度函数式T（N）到底是什么呢？这个T（N）函数式计算了程序的运行次数。假设每句指令执行的时间基本一样（实际中有微乎其微的差别），那么执行次数和运行时间比就是正相关，这样也脱离了具体的编译环境。执行次数就可以代表时间效率的优劣。比如解决一个问题的算法a程序T（N）=N，算法b程序T（N）=N^2,那么a的算法一定大于b。

Func1执行的基本操作次数：

T(N) = N^2+2*N+10

N = 10 T(N) = 130

N = 100 T(N) = 10210

N = 1000 T(N) = 1002010

通过对N取值分析，对结果影响最大的一项是N^2

//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)
	{
		for (int j = 0; j < N; ++j)
		{
			++count;
		}

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

实际中，我们计算时间复杂度时，计算的也不是程序精确的次数，精确次数计算起来还是很麻烦的，计算出精确次数意义也不大，因为我们计算时间复杂度只是想比较算法程序的增长量级，也就是当N不断变大时T（N）的差别，所以我们只要计算程序能代表增长量级的大概执行次数，复杂度的表示通常使用大O的渐进表示法。

3.1 大O的渐进表示法

大O符号：是用于描述函数渐进行为的数学符号

推导大O阶规则

1. 时间复杂度函数式T（N）中，只保留最高阶项，去掉那些低阶项，因为当N不断变大时，低阶项对结果的影响越来越小。

2.如果最高阶项存在且不是1，则去除这个项目的常数系数，因为当N不断变大时，这个系数对结果影响越来越小，当N无穷大时，就可以忽略不计了。

3. T（N）中如果没有N相关的项目，只有常数项，用常数1取代所有加法常数。

通过以上方法可以得到Func1的时间复杂度为：O（N^2）.

3.2 时间复杂度计算示例

3.2.1 示例1

总结：

//计算Func3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", count);
}

FUNC2执行的基本操作次数：

T(N) = 2N+10

根据推导规则第3条得出

Func2的时间复杂度为：O(N)

3.2.2 示例2

void Func2(int N)
{
	int count = 0;
	for (int k = 0; k < 2 * N; ++k)
	{
		++count;

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

Func4执行的基本操作次数：

T(N) = 100

根据推导1得出

FUNC2的时间复杂度为：0（1）

通过上面我们会发现，有些算法时间复杂度存在最好和最坏的情况。

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）。

大O的渐进表示法在实际中一般情况关注的是算法的上界，也就是最坏的情况。

3.2.3 示例5

//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;
}

BubbleSort执行的基本操作次数：

1.若数组有序，则：

T(N) = N

2. 若数组有序且为降序，则：

T(N) = N*(N+1)/2

3. 若要查找的字符在字符串中间位置，则：

T(N ) = N^2

因此：最差情况为O(N^2)

3.2.6 示例6

void Func5(int n)
{
	int cut = 1;
	while (cut < n)
	{
		cut* = 2;
	}
}

当n = 2时，执行次数为1

当n =4时，执行次数为2
当n =16时，执行次数为4

执行次数为x时，则2^x = n

因此执行次数：x = log n

因此：func5的时间复杂度取最差情况：O（log2n）

当n接近无穷大时，底数的大小对结果影响不大，可以忽略，表示log n

3.2.7 示例7

//计算阶乘递归Fac的时间复杂度？
long long Fac(size_t N)
{
	if (0 == N)
	{
		return 1;
	}
	return Fac(N - 1) * N;
}

调用一次Fac函数的时间复杂度为O(1),而在Fac函数中，存在n次递归调用Fac函数

因此：

阶乘递归的时间复杂度为O(N)