leetcode （一）时间复杂度和空间复杂度

前言

准备刷leetcode时 必须了解如何计算复杂度（时间复杂度 空间复杂度）

为了解决同一个问题，往往可以采用不同的算法。那么，如何来评判算法的优越性？这里，我们往往通过算法的时间复杂度和空间复杂度来评判某一算法的性能。然而，很多时候，时间复杂度与空间复杂度往往是鱼与熊掌的关系。

时间复杂度

时间复杂度：评估执行程序所需的时间。可以估算出程序对处理器的使用程度。

时间复杂度并不是表示算法所花费的具体时间大小，而是表征算法运算时间与输入之间的关系。
一般以 表示算法复杂度，这里的
通常为：

常数阶

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 ，如：

int i = 1;
int j = 2;
++i;
j++;
int m = i + j;

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

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

从上面代码可以看到，在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。我们试着求解一下，假设循环x次之后，i 就大于 2 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 n，那么。也就是说当循环次以后，这个代码就结束了。

因此这个代码的时间复杂度为：

线性阶 n

for(i=1; i<=n; ++i)
{
j = i;
j++;
}
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 来表示它的时间复杂度。

线性对数阶

线性对数阶
线性对数阶 其实非常容易理解，将时间复杂度为 的代码循环N遍的话，那么它的时间复杂度就是 ，也就是
就拿上面的代码加一点修改来举例：

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

平方阶

如果把 O(n) 的代码再嵌套循环一遍，它的时间复杂度就是 O(n²) 了。

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

立方阶与K次方阶

与平方阶相似，这里不再赘述。

时间复杂度的大小依次为：

空间复杂度

空间复杂度（Space Complexity）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，一个算法所需的存储空间用f(n)表示。S(n)=O(f(n))，其中n为问题的规模，S(n)表示空间复杂度。

既然时间复杂度不是用来计算程序具体耗时的，那么我也应该明白，空间复杂度也不是用来计算程序实际占用的空间的。

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，我们用 S（n） 来定义。

空间复杂度比较常用的有：
。

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 S(1) :

int i = 1;
int j = 2;
++i;
j++;
int m = i + j;

代码中的 i、j、m 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为S(1) 。

int[] m = new int[n]
for(i=1; i<=n; ++i)
{
   j = i;
   j++;
}

这段代码中，第一行new了一个数组出来，这个数据占用的大小为n，这段代码的2-6行，虽然有循环，但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，即空间复杂度为 S（n） 。