【数据结构】时间复杂度与空间复杂度基础知识的详细讲解

      

目录

一、算法效率

二、时间复杂度

3、空间复杂度

四、总结

---

一、算法效率

1.1 如何衡量一个算法的好坏

如何衡量一个算法的好坏呢？比如对于以下斐波那契数列： 

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

斐波那契数列的递归实现方式非常简洁，但简洁一定好吗？那该如何衡量其好与坏呢？

1.2 算法的复杂度

1. 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。
2. 时间复杂度主要衡量一个算法的运行快慢，而空间复杂度主要衡量一个算法运行所需要的额外空间。

---

二、时间复杂度

2.1 时间复杂度的概念

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。

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。

2.2 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。

另外有些算法的时间复杂度存在最好、平均和最坏情况：

• 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)

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) 

---

3、空间复杂度

1. 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 。
2. 算法运行过程中临时占用存储空间大小，计算的不是占多少字节，而是计算变量的个数。
3. 最多的时候，整体出现了多少次变量。
4. 时间是累积的，空间是不累积的。空间走了n次，重复利用的是一个空间，变量出了变量域就销毁了

---

四、总结

1. 算法中的基本操作的执行次数，为算法的时间复杂度
2. 时间复杂度是一个估算，看表达式中影响最大的一项。
3. 只保留最高阶项，如果最高阶系数存在且不是1，则去除这个常数。得到的结果就是大O阶。随着变量无限大，常数的影响不大。
4. 可能会有多个未知数，如果给了条件，则 具体分析。
5. 用常数1替代所有常数。O(1)常数次
6. 有些算法分情况需要分最好最坏和平均情况。（O(1)，O(N),O(N/2)）。一般关注算法的最坏 情况，所以为O(N)。
7. 因为在文件中对数不好写，而在时间复杂度中log2N常出现，所以把他简写成logN，也有资料写成lgN