转载请注明出处：
http://blog.csdn.net/qq347198688/article/details/52725764
本文出自【何嘉龙的博客】

前言

国庆小长假到了，不知道大家的国庆长假过得怎么样？在空间里面看到同学都外出浪了，我表示很嫉妒啊。哎，作为一个死宅男，还是安安静静的在宿舍写我的博客还有刷剧吧。我是自动化专业，由于是非科班出生，又听说大公司都比较重基础，于是乎，我准备恶补下数据结构与算法分析，我看的是《大话数据结构》，希望把自己的基础功打牢一点，进自己想进的公司吧。我也希望大家国庆能过得愉快！

时间复杂度

时间复杂度的定义

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，进而分析T（n）随n的变化情况并确定T（n）的数量级。算法的时间复杂度，也就是算法的时间复杂量度，记住：T（n）=O（f(n)）。它表示随问题规模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n的增大，T(n)增长最慢的算法为最优算法。
显然，由此算法时间复杂度的定义可知，我们的三个求和算法的时间复杂度分别为O(n)，O(1)，O(n²)。我们分别给它们取了非官方的名称，O(1)叫常数阶、O(n)叫做线性阶，O(n²)叫平方阶，当然，还有其他的一些阶，我们之后会介绍。

推导大O阶方法

那么如何分析一个算法的时间复杂度呢？即如何推导大O阶呢？我们给出了下面的推导方法，基本上，这也就是总结前面我们举的例子。

推导大O阶：
1.用常数1取代运行时间后的所有加法常数。
2.在修改后的运行次数函数中，只保留最高阶项。
3.如果最高阶存在且不是1，则去除与这个项相乘的常数。得到的结果就是大O阶。

哈，仿佛是得到了游戏攻略一样，我们好像已经得到了一个推导算法时间复杂度的万能公式。可事实上，分析一个算法的时间复杂度，没有这么简单，我们还需要多看几个例子。

常数阶

首先顺序结构的时间复杂度。下面这个算法，也就是高斯算法，为什么时间复杂度不是O(3)，而是O(1)。

int sum = 0, n = 100;   //执行1次
sum = (1 + n) * n / 2;  //执行1次
printf("%d", sum);      //执行1次

这个算法的运行次数函数是f(n) = 3.根据我们推导的大O阶的方法，第一步就是把常数项3改为1,。在保留最高阶项时发现，它根本没有最高阶项，所以这个算法的时间复杂度为O(1)。
另外，我们试想一下，如果这个算法当中的语句sum = (1 + n) * n / 2有10句，即：

int sum = 0, n = 100;   //执行1次
sum = (1 + n) * n / 2;  //执行第1次
sum = (1 + n) * n / 2;  //执行第2次
sum = (1 + n) * n / 2;  //执行第3次
sum = (1 + n) * n / 2;  //执行第4次
sum = (1 + n) * n / 2;  //执行第5次
sum = (1 + n) * n / 2;  //执行第6次
sum = (1 + n) * n / 2;  //执行第7次
sum = (1 + n) * n / 2;  //执行第8次
sum = (1 + n) * n / 2;  //执行第9次
sum = (1 + n) * n / 2;  //执行第10次
printf("%d", sum);      //执行1次

事实上无论n为多少，上面的两段代码就是3次和12次执行的差异。这种与问题的大小无关(n的多少)，执行时间恒定的算法，我们称之为具有O(1)的时间复杂度，又叫常数阶。
注意：不管这个常数是多少，我们都记作O(1)，而不能是O(3)、O(12)等其他任何数字，这是初学者常犯的错误。
对于分支结构而言，无论是真，还是假，执行的次数都是恒定的，不会随着n的变大而发生变化，所以单纯的分支结构(不包含在循环结构里)，其时间复杂度也是O(1)。

线性阶

线性阶的循环结构会复杂很多。要确定某个算法的阶次，我们常常需要确定某个特定语句或某个语句集运行的次数。因此，我们要分析算法的复杂度，关键就是要分析循环结构的运行情况。
下面这段代码，它的循环的时间复杂度为O(n)，因为循环体中的代码必须要执行n次。

for(int i = 0; i < n; i++) {//时间复杂度为O(1)的程序步骤序列
}

对数阶

下面这段代码，时间复杂度又是多少呢？

int count = 1;
while(count < n) {count = count * 2;//时间复杂度为O(1)的程序步骤序列
}

由于每次count乘以2之后，就距离n更近了一分。也就是说，有多少个2相乘后大于n，则会退出循环。由2的x次方=n，得到x=log₂n。所以这个循环的时间复杂度为O(logn)。

平方阶

下面例子是一个循环嵌套，它的内循环刚才我们分析过了，时间复杂度为O(n)。

for(int i = 0; i < n; i++) {for(int j = 0; j < n; j++) {//时间复杂度为O(1)的程序步骤序列}
}

而对于外层的循环，不过是内部这个时间复杂度为O(n)的语句，再循环n次。所以这段代码的时间复杂度为O(n²)。
如果外循环的循环次数改为了m，时间复杂度就为O(m × n)。

for(int i = 0; i < m; i++) {for(int j = 0; j < m; j++) {//时间复杂度为O(1)的程序步骤序列}
}

所以，我们可以总结出，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。
那么下面这个循环嵌套，他的时间复杂度又是多少呢？

for(int i = 0; i < n; i++) {for(int j = i; j < n; j++) {//时间复杂度为O(1)的程序步骤序列}
}

当i = 0时，内循环执行了n次，当i = 1时，执行了n - 1次，依次类推，当i = n - 1时，执行了一次。所以总的执行次数为：

用我们推导大O阶的方法，第一条，没有加法常数不予考虑；第二条，只保留最高阶项，因此保留n²/2；第三条，去除这个项相乘的常数，也就是去除1/2，最终代码的时间复杂度为O(n²)。

常见的时间复杂度

常见的时间复杂度如表所示：

所耗费的时间从小到大依次为：

空间复杂度

我们在写代码的时候，完全可以用空间来换取时间，比如说，要判断某某年是不是闰年，你可能会花一点心思写了一个算法，而且由于是一个算法，也就意味着，每次给一个年份，都是要通过计算得到是否是闰年的结果，还有另外一个办法就是，事先建立一个有2050个元素的数组(年数略比现实多一点)，然后把所有的年份按下标的数字对应，如果是闰年，此数组项就是1，否则为0。这样，所谓的判断一年是否为闰年，就变成了查找数组的某一项值是多少的问题。此时，我们的运算已经是最小化了，但是硬盘上或者内存中需要存储这2050个0和1。
这是一笔空间上的开销来换取计算时间的小技巧。到底哪一个好，要看你用在什么地方。

空间复杂度的定义

算法的空间复杂度通过计算算法所需的存储控件实现，算法空间复杂度的计算公式为：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。

一般情况下，一个程序在机器上执行时，除了需要存储程序本身的指令、常数、变量和输入数据外，还需要存储对数据操作的存储单元。当不限定词的使用“复杂度”的时候，通常指时间复杂度。

如果您觉得本篇博客对您有帮助，帮忙赞一下或者评论一下。

时间复杂度与空间复杂度完全解析相关推荐

python排序算法的时间复杂度_Python算法的时间复杂度和空间复杂度(实例解析)
算法复杂度分为时间复杂度和空间复杂度. 其作用: 时间复杂度是指执行算法所需要的计算工作量: 而空间复杂度是指执行这个算法所需要的内存空间. (算法的复杂性体现在运行该算法时的计算机所需资源的多少上, ...
冒泡、快速、选择、插入排序以及时间复杂度、空间复杂度的解析
冒泡.快速.选择.插入排序以及时间复杂度.空间复杂度的解析时间复杂度时间复杂度的表示方法时间复杂度的分析和计算方法常见的几种时间复杂度常见的时间复杂度排序空间复杂度时间复杂度的分析和计算 ...
时间复杂度与空间复杂度解析
1.算法的效率虽然计算机能快速的完成运算处理,但实际上,它也需要根据输入数据的大小和算法效率来消耗一定的处理器资源.要想编写出能高效运行的程序,我们就需要考虑到算法的效率. 算法的效率主要由以下两个 ...
算法的复杂度解析（时间复杂度和空间复杂度）
时间复杂度与空间复杂度 1.算法的复杂度: 2.时间复杂度: 1.大O表示法: 2.大O推导方法: 3.一些常见的大O运行时间: 3.空间复杂度: 4.个别特殊举例: 1.斐波那契数列的时间和空间复杂 ...
时间复杂度和空间复杂度详谈
目录 1.算法效率问题引出 2.算法的复杂度: 3.时间复杂度 3.1时间复杂度的概念: 3.2注意事项 3.3时间复杂度代码示例 3.4大O渐进表示法: 3.5 函数增幅表 3.6 时间复杂度代码示 ...
【数据结构与算法 10】算法的时间复杂度和空间复杂度
最近在研究数据结构与算法,在B站中找到了小甲鱼的<数据结构与算法课程>,挺有意思的! 尚硅谷Java数据结构与java算法,韩顺平数据结构与算法对于一个算法来说,分析有两步,第一是从数学 ...
史上最强数据结构----算法的时间复杂度和空间复杂度
第二章算法的时间复杂度和空间复杂度 1.算法效率 2 时间复杂度 2.1 时间复杂度的概念 2.2 大O的渐进表示法 2.3 时间复杂度的计算举例 2.3.1 实例1 2.3.2 实例2 2.3.3 ...
数据结构（02）— 时间复杂度与空间复杂度转换
1. 时间复杂度转化为空间复杂度常用的降低时间复杂度的方法有递归.二分法.排序算法.动态规划等,降低空间复杂度的核心思路就是,能用低复杂度的数据结构能解决问题,就千万不要用高复杂度的数据结构. ...
a*算法的时间复杂度_算法基础——时间复杂度amp;空间复杂度
关注.星标公众号,学点计算机知识. 整理:persistenceBin 今天来跟大家继续分享一下数据结构的基础知识--算法效率的度量:时间复杂度和空间复杂度.首先来跟大家分享一下在电影<复仇者联 ...

时间复杂度与空间复杂度完全解析

前言