算法时间复杂度和空间复杂度

定义：

在进行算法分析时，语句总的执行次数T(n)是关于问题规模n的函数，进行分析T(n)随着n的变化情况并确定T(n)的数量级。

算法的时间复杂度，也就是算法的时间度量，记作：T(n) = O( f(n) )。它表示随着问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，称作算法的渐近时间复杂度，简称为时间复杂度。其中f(n)是问题规模n的某个函数。

这样用大写O()来体现算法时间复杂度的记法，我们称之为大O记法。
一般情况下，随着输入规模n的增大，T(n)增长最慢的算法为最优算法。

分析

如何分析一个算法额时间复杂度呢？即如何推导大O阶？

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，则去除与这个项相乘的常数。
4、得到的最后结果就是大O阶。

线性阶

一般含有非嵌套循环设计线性阶，线性阶就是随着问题规模n的扩大，对应计算次数呈直线增长。

平方阶

从上面我们得出，循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数。

例如：

n +(n-1) +(n-2)+…+1 = n(n+1)/2 = n^2/2 + n/2,

根据前面的分析三部曲，
n^2/2 + n/2 –> n^2/2 + n/2 –> n^2/2 –> n^2 ，
最终我们得到 O(n^2)

对数阶

由于每次i * 2后，就距离n更近一步。假设有x个2相乘后大于或等于n，则会退出循环。

上图看出，2^x = n， 得到 x = log(2)n ,所以这个循环的时间复杂度为O(logn)

例子

我们可以看到，函数体是打印这个函数。
function函数的时间复杂度是O(1)。所以整体的时间复杂度就是循环的次数O(n)

如果我们的function是下列这样：

这个算法的时间复杂度就是O(n^2)

========================================

常见时间复杂度

平均运行时间是期望的运行时间。
最坏运行时间是一种保证。在应用中，这是一种最重要的需求，通常除非特别指定，我们提到的运行时间都是最坏情况的运行时间。

算法的空间复杂度

算法的空间复杂度通过计算算法所需的存储空间实现，算法的空间复杂度的计算公式记作:S(n) = O( F(n) ) ，其中n为问题的规模，f(n)为语句关于n所占存储空间的函数。

通常，我们都是用“时间复杂度”来指运行时间的需求，“空间复杂度”指空间需求。

显然对于时间复杂度的追求更是属于算法的潮流。