循环嵌套时间复杂度_01 复杂度分析

为何要了解复杂度分析

虽然说，代码写出来跑一遍结果可能更清晰直观，但受机器、数据量大小影响较大，且代码实现所需要使用的时间本身也是一种成本。如果通过复杂度分析，可以提前Pass掉一部分明显不合理的实现，可以有效提高我们的工作效率。

时间复杂度

分析时需要着重关注的点

1. 循环，通常是执行次数最多的地方；

2. 针对递归、嵌套循环，总复杂度是乘出来的；

3. 总复杂度等于量级最大的代码段的复杂度（当数据量到达一定程度时，低量级的可以忽略）。

常见的时间复杂度

O(1)

常量级。

通常代码中只要没有循环、递归操作，代码量再多也可以认为是常量级。

O(logn)

对数级。

如：在一个有序数组中二分查询某个数。

O(n)

线性级。

如：在数组中查找一个最大值。

O(nlogn)

线性对数级。

如：归并排序，快速排序。

O(n^k)

平方级、立方级、k次方级。

如：冒泡排序（平方级）等多层嵌套循环。

O(k^n)

指数级。

随着n的规模越大，算法执行时间会急剧增加，算法效率低下。

如：斐波那契额数列的低配版实现（无动态规划优化）。

O(n!)

阶乘级。

随着n的规模越大，算法执行时间会急剧增加，算法效率低下。

空间复杂度

分析方法和时间复杂度类似，区别在于空间复杂度关注的是代码执行时额外申请的内存空间。

常见的空间复杂度

O(1)、O(n)、O(n^2)，比起时间复杂度的分析，要简单不少。

最好时间复杂度

最理想情况下，执行代码段的时间复杂度。

最坏时间复杂度

最糟糕情况下，执行代码段的时间复杂度。

平均时间复杂度

加权平均值，受具体算法和输入的影响，权重也会有所不同。

均摊时间复杂度

一种特殊的平均时间复杂度。如Java中支持动态扩容的ArrayList，平时Add时，时间复杂度是O(1)，但在空间不足时进行Add，此时附加的扩容操作时间复杂度为O(n)，但平摊下来其实整体时间复杂度仍为O(1)。

通常情况下，分析复杂度的时候，用一个复杂度就可以满足需求。除非碰到那种不同情况下，复杂度出现量级的差异，才会考虑几种复杂度都分析一遍。