时间复杂度和空间复杂度

提出时间复杂度和空间复杂度的原因：

算法（Algorithm）是指用来操作数据、解决程序问题的一组方法。对于同一个问题，使用不同的算法，也许最终得到的结果是一样的，但在过程中消耗的资源和时间却会有很大的区别。

那么我们应该如何去衡量不同算法之间的优劣呢？

主要还是从算法所占用的「时间」和「空间」两个维度去考量。

时间维度：是指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。

空间维度：是指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。

因此，评价一个算法的效率主要是看它的时间复杂度和空间复杂度情况。

但在设计算法的时候，时间和空间经常不可兼得，那么此事我们就需要从中去取一个平衡点。

时间复杂度

「时间复杂度」常用「 大O符号表示法 」，即 T(n) = O(f(n))，其中f(n) 表示每行代码执行次数之和，而 O 表示正比例关系，这个公式的全称是：算法的渐进时间复杂度。

一个例子：

假设每条语句的执行时间都是一样的，均用 1颗粒时间 来表示， 则每条语句用时如下方标注，那么总时间为 (1+4n)个颗粒时间，即： f(n) = (1+4n)颗粒时间，T(n) = O(1 + 4n),从这个结果可以看出，这个算法的耗时是随着n的变化而变化，因此，我们可以简化的将这个算法的时间复杂度表示为：T(n) = O(n)

for(i = 1/*1个颗粒时间*/; i <= n/*n个颗粒时间*/; ++i/*n个颗粒时间*/)
{
	u = i;//n个颗粒时间
	u++;//n个颗粒时间
}

简化原因：大O符号表示法不是用于来真实代表算法的执行时间的，它是用来表示代码执行时间的增长变化趋势的。

在上述的例子中，如果n无限大的时候，T(n) = time(1+2n)中的常量1就没有意义了，倍数2也意义不大。所以简化为T(n) = O(n)。

常见的时间复杂度量级有：

常数阶O(1)
对数阶O(logN)
线性阶O(n)
线性对数阶O(nlogN)
平方阶O(n²)
立方阶O(n³)
K次方阶O(n^k)
上面从上至下依次的时间复杂度越来越大，执行的效率越来越低。

常数阶O(1)

无论代码执行了多少行，只要是没有循环等复杂结构，那这个代码的时间复杂度就都是O(1)，如：

int a = 1;
int b = 2;
++a;
b++;
int c = a + b;

上述代码在执行的时候，它消耗的时候并不随着某个变量的增长而增长，那么无论这类代码有多长，即使有几万几十万行，都可以用O(1)来表示它的时间复杂度。

对数阶O(logN)

int a = 1;
while(a < n){
	a = a * 2;
}

计算while循环里面语句的执行次数：设执行次数为x， 2 的 x 次方等于 n，那么 x = log2^n
也就是说当循环 log2^n 次以后，这个代码就结束了。因此这个代码的时间复杂度为：O(logn)

线性阶O(n)

for(i = 1; i <= n; ++i){
	a = i;
	a++;
}

这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用O(n)来表示它的时间复杂度。

线性对数阶O(nlogN)

将时间复杂度为O(logN)的代码循环n遍的话，那么它的时间复杂度就是 n * O(logN)，也就是了O(nlogN)。

for(i = 1; i < n; i++){
	a = 1;
	while(a < n){
		a = a * 2;
	}
}

平方阶O(n²)

将O(n) 的代码再嵌套循环一遍，它的时间复杂度即为O(n²) 。
举例：

for(j = 1; j <= n; j++){
	for(i = 1; i <= n; i++){
		a = i;
		a++;
	}
}

这段代码其实就是嵌套了2层n循环，它的时间复杂度就是 O(n*n)，即 O(n²)
如果将其中一层循环的n改成m，即：

for(j = 1; j <= m; j++){
	for(i = 1; i <= n; i++){
		a = i;
		a++;
	}
}

那它的时间复杂度就变成了 O(m*n)

立方阶O(n³)、K次方阶O(n^k)
可参考上面的O(n²) 去理解，O(n³)相当于三层n循环，其它的类似。

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一个量度，同样反映的是一个趋势，用 S(n) 来定义。

空间复杂度比较常用的有：

O(1)、O(n)、O(n²)

空间复杂度 O(1)

如果算法执行所需要的临时空间不随着某个变量n的大小而变化，即此算法空间复杂度为一个常量，可表示为 O(1)

int a = 1;
int b = 2;
++a;
b++;
int c = a + b;

代码中的 a ，b，c 所分配的空间都不随着处理数据量变化，因此它的空间复杂度 S(n) = O(1)

空间复杂度 O(n)

int *m = (int *)malloc(n * sizeof(int))
for(i = 1; i <= n; ++i){
  a = i;
  a++;
}

这段代码中，第一行用malloc函数划分出一块空间，空间大小与n相关。而这段代码的2-5行，没有再分配新的空间，因此，这段代码的空间复杂度主要看第一行即可，即 S(n) = O(n)