时间复杂度_空间复杂度
1.算法效率
算法效率分析分为两种:第一种是时间效率，第二种是空间效率。
时间效率被称为时间复杂度，而空间效率被称作空间复杂度。时间复杂度主要衡量的是一个算法的运行速度，而空间复杂度主要衡量一个算法所需要的额外空间。
在计算机发展的早期，计算机的存储容量很小。所以对空间复杂度很是在乎。但是经过计算机行业的迅速发展，计算机的存储容量已经达到了很高的程度。所以我们如今已经不需要再特别关注一个算法的空间复杂度
2.时间复杂度
2.1时间复杂度的概念
时间复杂度的定义:在计算机科学中，算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。一个算法执行所耗费的时间，从理论上说，是不能算出来的，只有你把你的程序放在机器上跑起来，才能知道。但是我们需要每个算法都上机测试吗?是可以都上机测试，但是这很麻烦，所以才有了时间复杂度这个分析方式。
一个算法所花费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法的时间复杂度。
2.2大O的渐进表示法
// 请计算一下Func1 基本操作执行了多少次？
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;}printf("%d\n", count);
}int main()
{Func1(10);// 130Func1(100);// 10210Func1(1000);// 1002010// 我们发现该函数需要执行 N^2 + 2*N + 10 次// 那么这个函数的时间复杂度应该是 N^2 + 2*N + 10 次 才对// 而我们使用大O阶方法，该函数的时间复杂度为 O(N^2) return 0;
}
实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数，那么这里我们使用大0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:
- 用常数1取代运行时间中的所有加法常数
- 在修改后的运行次数函数中，只保留最高阶项
- 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。
使用大O的渐进表示法以后，Func1的时间复杂度为：O(N^2)
通过上面我们会发现大0的渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数。
另外有些算法的时间复杂度存在最好、平均和最坏情况
最坏情况:任意输入规模的最大运行次数(上界)
平均情况:任意输入规模的期望运行次数
最好情况：任意输入规模的最小运行次数（下界）
例如： 在一个长度为N数组中搜索一个数据X
最好情况：1次找到
最坏情况：N次找到
平均情况：N/2次找到
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)
2.3 常见时间复杂度计算例子
第一个：
// 请计算Func2的时间复杂度
void Func2(int N)
{int count = 0;for (int k = 0; k < 2 * N; ++k) // 这里的2*N的2会被去掉,因为影响不大{++count;}int M = 10;while (M--){++count;}printf("%d\n", count);
}
// 时间复杂度为O(N)
第二个：
// 计算Func3的时间复杂度
void Func3(int N, int M)
{int count = 0;for (int k = 0; k < M; ++k){++count;}for (int k = 0; k < N; ++k){++count;}printf("%d\n", count);
}
// 时间复杂度为 O(N+M)
// // 如果N远大于M 那就是O(N) 反之则是O(M)
第三题：
// 计算Func4的时间复杂度
void Func4(int N)
{int count = 0;for (int k = 0; k < 100; ++k){++count;}printf("%d\n", count);
}
// 时间复杂度为O(1)
第四题：
// 计算strchr的时间复杂度？
const char* strchr(const char* str, int character);
// 时间复杂度为O(N) 因为尽管我们只调用了一次，但是里面的运算 也是算在时间复杂度里面的
第五题:
// 计算Bubblesort的时间复杂度? [冒泡排序]
void BubbleSort(int* a, int n)
{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;}
}
// 准确的时间复杂度是：
// F(N) = 1 + 2 + ... +n-1 的等差数列计算
// 时间复杂度O(N^2)
// 最好的情况O(N)
第六题：
// 计算BinarySearch的时间复杂度?
int BinarySearch(int* a, int n, int x)
{int begin = 0;int end = n;while (begin < end){int mid = begin + ((end - begin) >> 1);if (a[mid] < x)begin = mid + 1;else if (a[mid] > x)end = mid;elsereturn mid;}return -1;
}
// 时间复杂度是O(log2^N) 最好情况是O(1)
// 因为二分查找，每次找都是除于2。 要找到一个数，X是查找的次数 2的X次方 = N
// 那我们去反向查找这个 X 就是log2 N 【以2为底】
第七题：
// 计算阶乘递归Fac的时间复杂度？
long long Fac(size_t N)
{if (0 == N)return 1;return Fac(N - 1) * N;
}// 时间复杂度为 O(N) 如果这个有循环调用了N次递归，那么时间复杂度为O(N^2)
第八题：
// 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);
}
// 大体上一共要调用 2^0 + 2^1 + 2^2 + ... +2^(n - 1) = 2^n - 1 次
// 实际上总有递归先结束调用 比如Fib(N - 2)就会比Fib(N - 1)先结束调用
// 那么实际上的调用次数并没有 2^n - 1 次 那么多，但是影响微乎其微
// 所以时间复杂度为 O(2^n)
如图所示：
实际上这个O(2^N)这个时间复杂度 是非常慢的。
那我们要怎么样去优化这个代码呢？
我们知道 时间复杂度太大的原因是 进行了太多次的重复计算，那我们就让这个重复计算变少不就行了。
我们看下面的代码：
// 优化
long long* Fib_r(size_t N)
{// 我们知道 上面代码之所以时间复杂度如此大 是因为进行了太多次重复的运算// 创建一个数组，把每一次计算的数 都存起来 这样的话我们就可以避免进行重复的运算long long* fibArray = (long long*)malloc(sizeof(long long) * (N + 1));fibArray[0] = 0;if (N == 0) return NULL; fibArray[1] = 1;// 以空间换时间for (int i = 2; i <= N; i++){fibArray[i] = fibArray[i - 1] + fibArray[i - 2];}return fibArray;
}
// 在这种情况下 我们经过优化的时间复杂度就是 O(N)int main()
{long long* result = Fib_r(1000);printf("%lld\n", result[1000]); // 817770325994397771return 0;
}
经过优化后 时间复杂度降低 为 O(N)。
实例答案及分析：
-
实例1基本操作执行了2N+10次，通过推导大O阶方法知道，时间复杂度为 O(N)
-
实例2基本操作执行了M+N次，有两个未知数M和N，时间复杂度为 O(N+M)
-
实例3基本操作执行了10次，通过推导大O阶方法，时间复杂度为 O(1)
-
实例4基本操作执行最好1次，最坏N次，时间复杂度一般看最坏，时间复杂度为 O(N)
-
实例5基本操作执行最好N次，最坏执行了(N*(N+1)/2次，通过推导大O阶方法+时间复杂度一般看最坏，时间复杂度为 O(N^2)
-
实例6基本操作执行最好1次，最坏O(logN)次，时间复杂度为 O(logN) ps：logN在算法分析中表示是底数为2，对数为N。有些地方会写成lgN。（建议通过折纸查找的方式讲解logN是怎么计算出来的）
-
实例7通过计算分析发现基本操作递归了N次，时间复杂度为O(N)。
-
实例8通过计算分析发现基本操作递归了2N次，时间复杂度为O(2N)。（建议画图递归栈帧的二叉树讲解）
3.空间复杂度
前面我们说了，时间复杂度不计算时间，计算大概的运算次数。
同样的，空间复杂度不计算空间，计算的大概定义的变量个数。
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。（因为现代科技下，空间过于庞大，对于GB这个单位来说。占用多少字节不在那么重要了）
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。
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。
常见空间复杂度计算例子：
实例1：
// 计算BubbleSort的空间复杂度？
void BubbleSort(int* a, int n)
{assert(a);for (size_t end = n; end > 0; --end){int exchange = 0; // 只有这里创建变量 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;}
}
// 空间复杂度是O(1) O(1)不是1个 而是代表创建的变量是常数个
实例2：
// 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;
}
// 开辟了n+1的变量 空间复杂度为O(n)
实例3：
// 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;
}
// 每次递归都会开辟一个函数栈帧，这个栈帧里面会创建许多变量 （如寄存器等等）
// 每个栈帧里面的创建变量都是常数 n 次递归
// 空间复杂度为 O(N)
再来看一个拓展：
// 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);
}
前面我们经过学习和计算，我们知道了该代码的时间复杂度是O(2^N)。
那我们也可以来解析一下空间复杂度是多少。
首先，我们知道，该函数大概会调用 2^N - 1 次， 实际上比这个次数少，但是大体是这个次数，而我们又知道每次调用函数都会创建函数栈帧，在栈帧中我们会创建常数个变量，也就是调用一次函数的空间复杂度是O(1),而我们这里大概会调用2^N - 1 次，因此该函数的空间复杂度就是O(2^N)。
）
// 每个栈帧里面的创建变量都是常数 n 次递归
// 空间复杂度为 O(N)
再来看一个拓展：```c
// 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);
}
前面我们经过学习和计算，我们知道了该代码的时间复杂度是O(2^N)。
那我们也可以来解析一下空间复杂度是多少。
首先，我们知道，该函数大概会调用 2^N - 1 次， 实际上比这个次数少，但是大体是这个次数，而我们又知道每次调用函数都会创建函数栈帧，在栈帧中我们会创建常数个变量，也就是调用一次函数的空间复杂度是O(1),而我们这里大概会调用2^N - 1 次，因此该函数的空间复杂度就是O(2^N)。
