详解时间复杂度和空间复杂度问题_函数名时间复杂度空间复杂度

        前言：本来我并不认为时间复杂度和空间复杂的有多重要，只要日常会判断和分析算法的复杂度即可，但是，不论是在考研的数据结构与算法中，还是在日常的刷题中，我们都会见到，限制我们时间和空间复杂度的算法设计问题，这对我们要求就高了，所以，我们需要做到的不仅仅是了解，更要会用会判断，从而才能自己设计出符合题目需求的算法。

 

 

目录

1.时间复杂度

1.1时间复杂度的概念

1.2 大O的渐进表示法

1.3常见时间复杂度计算举例

实例1（简单遍历）：

实例2（冒泡排序）：

实例3（二分查找）：

​实例4（递归阶乘）：

 实例5（递归斐波那契）：

2. 空间复杂度

实例1(迭代斐波那切）：

实例2（递归阶乘）：

实例3(递归斐波那契）：

 3.总结提炼

常见时间复杂度的比较

 4.金句频道

---

1.时间复杂度

1.1时间复杂度的概念

 简单来说，时间复杂度计算的是算法中的操作次数，包括循环，运算等操作，我们来看一个例子

实例1：

// 请计算一下Func1中++count语句总共执行了多少次？
void Func1(int N)
{
    int count = 0;
    for (int i = 0; i < N; ++i)
    {
        for (int j = 0; j < N; ++j)
        {
            ++count;
        }
    }

    for (int k = 0; k < 2 * N; ++k)
    {
        ++count;
    }
    int M = 10;
    while (M--)
    {
        ++count;
    }
}

经过计算，上面的操作次数为N^2+2*N+10，

1.2 大O的渐进表示法

大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。

推导大O阶方法：

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，则去除与这个项目相乘的常数。得到的结果就是大O阶。

4、在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)

使用大O的渐进表示法以后，上述Func1的时间复杂度为：O（N^2)

1.3常见时间复杂度计算举例

实例1（简单遍历）：

// 计算strchr的时间复杂度？

const char * strchr ( const char * str, int character );

该函数是在字符串里查找一个字符，我们一般会认为时间复杂度为程序的最差执行情况，所以，当待查找元素在字符串尾部或者没有该字符，查找次数就是O(N)，N为字符串的长度,相当于我们遍历了整个字符串。

实例2（冒泡排序）：

// 计算BubbleSort的时间复杂度？
void BubbleSort(int* a, int n)
{
    assert(a);
    for (size_t end = n; end > 0; --end)
    {
        int exchange = 0;
        for (size_t i = 1; i < end; ++i)
        {
            if (a[i - 1] > a[i])
            {
                Swap(&a[i - 1], &a[i]);
                exchange = 1;
            }
        }
        if (exchange == 0)
            break;
    }
}

       冒泡排序的原理是每一次将待排序序列的最大值“沉到”最后的位置上去，在下一次比较时，我们就可以只比较前N-1个元素，以此类推，知道还是两个元素就可以比较完成了，可以看出，我们第一次需要操作N次，第二次就变成了N-1次，再到N-2次......，我们可以看出操作次数符合等差数列，所以我们可以根据等差数列前n项和推算出时间复杂度为O(N^2)，注意这里不要看到两层for循环误以为是N！，我们的第一层for循环是起到对第二层for循环进行限制的。

实例3（二分查找）：

// 计算二分查找的时间复杂度？
int BinarySearch(int* a,int l,int r,int x)
{
    if (l > r)
        return -1;
    else
    {

        while (l <= r)
        {
            int mid = (l + r) >> 1;//右移1相当于除2
            if (a[mid] == x)
                return mid;
            else if (a[mid] < x)
                l = mid + 1;
            else
                r = mid - 1;
        }
    }
    return -1;
}

实例4（递归阶乘）：

// 计算阶乘递归Fac的时间复杂度？
long long Fac(size_t N)
{
    if (0 == N)
        return 1;
    for (int i = 0; i < N; i++)
    {
        ...
    }
    return Fac(N - 1) * N;
}

递归的特征就是代码很简单，过程却较为复杂，我们来用图结构进行展示：

 实例5（递归斐波那契）：

// 计算斐波那契递归Fib的时间复杂度？
long long Fib(size_t N)
{
    if (N < 3)
        return 1;

    return Fib(N - 1) + Fib(N - 2);
}

针对该函数，我们计算操作次数就变成了计算函数调用次数，我们来给出结构图：

2. 空间复杂度

空间复杂度也是一个数学表达式，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 。

空间复杂度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。

空间复杂度计算规则基本跟实践复杂度类似，也使用大O渐进表示法，我们也是采用和时间复杂的类似的渐进取法。 

注意：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行时候显式申请的额外空间来确定。

实例1(迭代斐波那切）：

// 计算Fibonacci的空间复杂度？
// 返回斐波那契数列的前n项
long long* Fibonacci(size_t n)
{
    if (n == 0)
        return NULL;

    long long* fibArray = (long long*)malloc((n + 1) * sizeof(long long));
    fibArray[0] = 0;
    fibArray[1] = 1;
    for (int i = 2; i <= n; ++i)
    {
        fibArray[i] = fibArray[i - 1] + fibArray[i - 2];
    }
    return fibArray;
}
 

  此处用的迭代算法，只有函数内部开辟的n+1个空间是在函数内部的空间消耗，所以空间复杂度为O(N).

实例2（递归阶乘）：

// 计算阶乘递归Fac的空间复杂度？
long long Fac(size_t N)
{
    if (N == 0)
        return 1;

    return Fac(N - 1) * N;
}
 

       这里就要涉及函数栈帧的创建和销毁的知识了，我们知道，函数的调用都是要临时创建栈帧的，栈帧会消耗堆栈的空间，但是我们要注意一个细节点，就是我们的第一个函数栈帧调用结束销毁后，第二个函数可以在第一个函数的位置处进行函数栈帧的开辟，也就是说，假设有两个函数调用并返回，总的空间复杂度并不是两者空间复杂度之和。

      但是在这里，我们还用不到这个，这个函数还不涉及到函数栈帧的销毁与再开辟，我们阶乘函数是在上一个函数内部直接创建下一个函数的栈帧，不断重复此过程，直到递归结束，然后开始由内而外地一层一层的销毁栈帧，过程中栈帧的开辟是逐层累加上去的，并不涉及到销毁后的再开辟，所以，我们的空间复杂的就是函数的调用次数，即O(N)。

实例3(递归斐波那契）：

       哎嘿~真正的重头戏在这呢，

// 计算斐波那契递归Fib的空间复杂度？
long long Fib(size_t N)
{
    if (N < 3)
        return 1;

    return Fib(N - 1) + Fib(N - 2);
}

答案是不是就是上面我们算的函数的调用次数O(2^N）呢？且听我细细道来~~~

       递归调用的过程其实是结合深度优先搜索（俗称dfs）来实现的，就是说递归一旦开始就要一直向前进行下去，直到到达结束条件处，然后再逐渐回溯查找上一层的其他的值，

 我们以Fib(4)处的函数调用为例来说明：

采用画图的模式模拟函数栈帧的创建和销毁，来方便理解，

 3.总结提炼

        时间复杂度的计算要根据实际情况，计算的是操作的次数，空间复杂度计算的是空间的消耗量，包括动态的内存开辟等方式开辟的空间等，注意函数栈帧的问题，临时变量的空间复杂的是O(1)的，最重要的是，时间不能在利用，而空间可以重复使用，在计算设计函数递归调用时要注意分析。

常见时间复杂度的比较

O(1)<O(logn)<O(n)<O(nlogn)<O(n²)<O(n³)<O(2ⁿ)<O(n!)

 4.金句频道

     在事情还没成功之前，不要跟任何人谈及任何有关的计划和想法。世界不会在意你的自尊，只是你的成就。在你没有成功之前，切勿强调自尊。