【算法】时间复杂度，空间复杂度

骑猪看日落 2024-03-02 10:11 57阅读 0赞

#### 文章目录 ####

*  一： 时间频度
 *   *  1.1 度量一个程序(算法)执行时间的两种方法
     *  1.2 基本介绍
     *  1.3 举例说明
     *  1.4 忽略常数项
     *  1.5 忽略低次项
     *  1.6 忽略系数
 *  二：时间复杂度
 *   *  2.1 介绍
     *  2.2 计算时间复杂度的方法
     *  2.3 常见的时间复杂度
     *   *  2.3.1 常数阶O(1)
         *  2.3.2 对数阶O(log2n)
         *  2.3.3 线性阶O(n)
         *  2.3.4 线性对数阶O(nlogN)
         *  2.3.5 平方阶O(n²)
         *  2.3.6 立方阶O(n³)、K次方阶O(n^k)
     *  2.4 平均时间复杂度和最坏时间复杂度
 *  三：空间复杂度
 *   *  3.1 基本介绍
     *  3.2 影响空间复杂度的因素
     *  3.3 如何计算空间复杂度
     *   *  3.3.1 空间复杂度计算的是算法运行所开辟的空间（单位：bite）吗？
         *  3.3.2 空间复杂度是算具体的变量数吗？
         *  3.3.3 总结

## 一： 时间频度 ##

### 1.1 度量一个程序(算法)执行时间的两种方法 ###

1.  事后统计的方法

> 但是有两个问题：一是要想对设计的算法的运行性能进行评测，需要实际运行该程序；二是所得时间的统计量依赖于计算的硬件、软件等环境因素,这种方式，要在同一台计算机的相同状态下运行，才能比较那个算法速度更快。

1.  事前估算的方法

> 通过分析某个算法的时间复杂度来判断哪个算法更优.

### 1.2 基本介绍 ###

时间频度：一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。

### 1.3 举例说明 ###

计算1-100所有数字之和, 我们设计两种算法  
方法一：  
![在这里插入图片描述][072e557a49c94aa480fffc8ef0369d3e.png]  
方法二：  
![在这里插入图片描述][e5c95b46d0004bd085a6753ade1cfa7a.png]

### 1.4 忽略常数项 ###

![在这里插入图片描述][d89912d5b4264c1b9e77ed27e0c465cd.png]  
![在这里插入图片描述][dc3bb84cc9ec416cac623d6dc2ab58e0.png]

结论:  
1）2n+20 和 2n 随着n 变大，执行曲线无限接近, 20可以忽略  
2）3n+10 和 3n 随着n 变大，执行曲线无限接近, 10可以忽略

### 1.5 忽略低次项 ###

![在这里插入图片描述][59b5a383058840de91bef0ec90da89a9.png]  
![在这里插入图片描述][a0b1d43419fe42ee98482213a8126bbb.png]  
结论:  
1）2n^2+3n+10 和 2n^2 随着n 变大, 执行曲线无限接近, 可以忽略 3n+10  
2）n^2+5n+20 和 n^2 随着n 变大,执行曲线无限接近, 可以忽略 5n+20

### 1.6 忽略系数 ###

![在这里插入图片描述][7999ff0e17a6412eb5cd91e10c6e55ed.png]  
![在这里插入图片描述][b7492764cff54418a73d60a72bdb4b33.png]  
结论:  
1）随着n值变大，5n^2+7n 和 3n^2 + 2n ，执行曲线重合, 说明 这种情况下, 5和3可以忽略。  
2）而n^3+5n 和 6n^3+4n ，执行曲线分离，说明多少次方式关键

## 二：时间复杂度 ##

### 2.1 介绍 ###

1.  一般情况下，算法中的基本操作语句的重复执行次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n)，使得当n趋近于无穷大时，T(n) / f(n) 的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作 T(n)=Ｏ( f(n) )，称Ｏ( f(n) ) 为算法的渐进时间复杂度，简称时间复杂度。
2.  T(n) 不同，但时间复杂度可能相同。 如：T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的T(n) 不同，但时间复杂度相同，都为O(n²)。

### 2.2 计算时间复杂度的方法 ###

1.  用常数1代替运行时间中的所有加法常数 T(n)=n²+7n+6 => T(n)=n²+7n+1
2.  修改后的运行次数函数中，只保留最高阶项 T(n)=n²+7n+1 => T(n) = n²
3.  去除最高阶项的系数 T(n) = n² => T(n) = n² => O(n²)

### 2.3 常见的时间复杂度 ###

*  常数阶O(1)
 *  对数阶O(log2n)
 *  线性阶O(n)
 *  线性对数阶O(nlog2n)
 *  平方阶O(n^2)
 *  立方阶O(n^3)
 *  k次方阶O(n^k)
 *  指数阶O(2^n)

![在这里插入图片描述][0acb564187664733ae0647a8a0bb4622.png]  
说明：  
常见的算法时间复杂度由小到大依次为：Ο(1)＜Ο(log2n)＜Ο(n)＜Ο(nlog2n)＜Ο(n2)＜Ο(n3)＜ Ο(nk) ＜Ο(2n) ，随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低。从图中可见，我们应该尽可能避免使用指数阶的算法

#### 2.3.1 常数阶O(1) ####

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O(1)  
![在这里插入图片描述][e8c70b0b8ad94f4586aab11acf36296d.png]  
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。

#### 2.3.2 对数阶O(log2n) ####

![在这里插入图片描述][5b5e6ec73e7f498882f887a0c08db3c0.png]  
![在这里插入图片描述][f1cc284bcd6f4c5d876ff8faf372ef91.png]  
说明：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。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 x = log2n也就是说当循环 log2n 次以后，这个代码就结束了。因此这个代码的时间复杂度为：O(log2n) 。 O(log2n) 的这个2 时间上是根据代码变化的，i = i \* 3 ，则是 O(log3n)

#### 2.3.3 线性阶O(n) ####

![在这里插入图片描述][ce83933faae7477db02b56ec9a7d10bf.png]  
说明：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O(n)来表示它的时间复杂度。

#### 2.3.4 线性对数阶O(nlogN) ####

![在这里插入图片描述][daf08f814bfe4edfb6b00f3b41a68eab.png]  
说明：线性对数阶O(nlogN) 其实非常容易理解，将时间复杂度为O(logn)的代码循环N遍的话，那么它的时间复杂度就是 n \* O(logN)，也就是了O(nlogN)

#### 2.3.5 平方阶O(n²) ####

![在这里插入图片描述][ad22604d739c42e5a6040a936f5af4c8.png]  
说明：平方阶O(n²) 就更容易理解了，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)，这段代码其实就是嵌套了2层n循环，它的时间复杂度就是 O(n*n)，即 O(n²) 如果将其中一层循环的n改成m，那它的时间复杂度就变成了 O(m*n)

#### 2.3.6 立方阶O(n³)、K次方阶O(n^k) ####

说明：参考上面的O(n²) 去理解就好了，O(n³)相当于三层n循环，其它的类似

### 2.4 平均时间复杂度和最坏时间复杂度 ###

*  平均时间复杂度是指所有可能的输入实例均以等概率出现的情况下，该算法的运行时间。
 *  最坏情况下的时间复杂度称最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。 这样做的原因是：最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限，这就保证了算法的运行时间不会比最坏情况更长。
 *  平均时间复杂度和最坏时间复杂度是否一致，和算法有关(如图)。

![在这里插入图片描述][ada4c6f561984960995303119903ef30.png]

## 三：空间复杂度 ##

### 3.1 基本介绍 ###

*  类似于时间复杂度的讨论，一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间，它也是问题规模n的函数。
 *  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量度。有的算法需要占用的临时工作单元数与解决问题的规模n有关，它随着n的增大而增大，当n较大时，将占用较多的存储单元，例如快速排序和归并排序算法就属于这种情况
 *  在做算法分析时，主要讨论的是时间复杂度。从用户使用体验上看，更看重的程序执行的速度。一些缓存产品(redis, memcache)和算法(基数排序)本质就是用空间换时间.

### 3.2 影响空间复杂度的因素 ###

![在这里插入图片描述][8e878ae06ebd43388d623ad6f02cf369.png]

### 3.3 如何计算空间复杂度 ###

本质上也是一个函数表达式，用来计算算法的空间效率

#### 3.3.1 空间复杂度计算的是算法运行所开辟的空间（单位：bite）吗？ ####

1.  首先，空间复杂度计算的不是程序在运行过程中总共开辟的空间，而是临时（额外）开辟的空间（所谓额外，就是指不包括原有的空间）只需要计算这个算法所需要的额外空间即可。
2.  其次，空间复杂度不是计算不是程序占用了多少bytes的空间，因为这个也没太大意义，所以空间复杂度算的是变量的个数。

注意：  
3. 函数运行时所需要的栈空间(存储参数、局部变量、一些寄存器信息等)在编译期间已经确定好了，因此空间复杂度主要通过函数在运的得时候申请的额外空间来确定。  
4. 在栈区或者堆区开辟的额外空间都要计算上。

#### 3.3.2 空间复杂度是算具体的变量数吗？ ####

空间复杂度计算规则基本跟时间复杂度类似，也是使用大O渐进表示法，只需要计算出它大概属于哪个量级即可。

#### 3.3.3 总结 ####

实际上，目前我们更关注时间复杂度，不太关注空间复杂度，原因可以参考摩尔定律。因为目前的机器内存空间都比较大，所有可以不太注重（但是也不能耗费太多）。  
摩尔定律：摩尔定律是英特尔创始人之一戈登·摩尔的经验之谈，其核心内容为：集成电路上可以容纳的晶体管数目在大约每经过18个月到24个月便会增加一倍。换言之，处理器的性能大约每两年翻一倍，同时价格下降为之前的一半。

[072e557a49c94aa480fffc8ef0369d3e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/a539a8779d58424da89157666cebaef1.png
[e5c95b46d0004bd085a6753ade1cfa7a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/b1f3b360776f41c4b21a1bbedefd28db.png
[d89912d5b4264c1b9e77ed27e0c465cd.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/497c745c868243b7b5cc30685efcb292.png
[dc3bb84cc9ec416cac623d6dc2ab58e0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/6924b15233924614824c7bdbb17bcb9b.png
[59b5a383058840de91bef0ec90da89a9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/10cad9b831af41718cfbdc2440e8f181.png
[a0b1d43419fe42ee98482213a8126bbb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/4bbb6ddf3ce6452bb51e04dcc2195b22.png
[7999ff0e17a6412eb5cd91e10c6e55ed.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/a1f9ac53cf214a10adf29a756fc2bd4c.png
[b7492764cff54418a73d60a72bdb4b33.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/d5ee563f8ef740ed8fcf525ecb03e4c9.png
[0acb564187664733ae0647a8a0bb4622.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/2ec1a0ece4eb4e2ba62d69f3d96a0253.png
[e8c70b0b8ad94f4586aab11acf36296d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/bfd7a81b8cdd4455854d2d3af12e22dc.png
[5b5e6ec73e7f498882f887a0c08db3c0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/ea122a41c32e41aaa03386a37b6abccd.png
[f1cc284bcd6f4c5d876ff8faf372ef91.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/c58d3e524d8647fda053a6414d202672.png
[ce83933faae7477db02b56ec9a7d10bf.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/7be18da2ddc24782afa391f817351d4f.png
[daf08f814bfe4edfb6b00f3b41a68eab.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/639d3262d3104f2aad98ad9dd714966a.png
[ad22604d739c42e5a6040a936f5af4c8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/872df5e895c4438e852b4bcc044f8ca8.png
[ada4c6f561984960995303119903ef30.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/66fcaf9c4da144f3861d464e7ac1fba0.png
[8e878ae06ebd43388d623ad6f02cf369.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/02/e6a9dc9358d04c7f8ff8a2c015556e08.png