时间复杂度与空间复杂度

标签：渐进   最大   为什么   线性   参数   之间   循环   环境   控制   

18年互联网寒冬，特别是游戏行业，版号一年没发。待经济春暖花开之时，也让自己在行业行业中增加竞争力。

为什么要进行复杂度分析？
1.和性能测试相比， 复杂度分析有不依赖执行环境、 成本低、 效率高、 易操作、 指导性强的特点。
2.掌握复杂度分析， 将能编写出性能更优的代码， 有利于降低系统开发和维护成本。

时间复杂度：时间复杂度是衡量一个算法重要的指标之一，当数据量越大，算法的效率也就越能体现出来，以时间复杂度为例， 由于时间复杂度描述的是算法执行时间与数据规模的增长变化趋势， 所以常量阶、 低阶以及系数实际上对这种增长趋势不产决定性影响， 所以在做时间复杂度分析时忽略这些项。

时间负责度特点如下：

• 只关注循环执行最多的一段代码
• 加法原则，总复杂度等于量级最大的复杂度
• 嵌套代码的复杂度等于嵌套内代码复杂度的乘积

俗称：

　　1） 单段代码看高频： 比如循环。
　　2） 多段代码取最大： 比如一段代码中有单循环和多重循环， 那么取多重循环的复杂度。
　　3） 嵌套代码求乘积： 比如递归、 多重循环等
　　4） 多个规模求加法： 比如方法有两个参数控制两个循环的次数， 那么这时就取二者复杂度相加。
常用的复杂度级别：
　　多项式阶： 随着数据规模的增长， 算法的执行时间和空间占用， 按照多项式的比例增长。 包括，O(1)（常数阶） 、 O(logn)（对数阶） 、 O(n)（线性阶） 、 O(nlogn)（线性对数阶） 、 O(n^2)（平方阶） 、 O(n^3)（立方阶）。
　　非多项式阶： 随着数据规模的增长， 算法的执行时间和空间占用暴增， 这类算法性能极差。 包括，O(2^n)（指数阶） 、 O(n!)（阶乘阶） 。

空间复杂度：

　　算法的指标中空间复杂度也是一个重要的指标。空间复杂度的全称是渐进空间复杂度，表示算法的存储空间与数据规模之间的增长关系。

　　我们常见的空间复杂度就是 O(1)、 O(n)、 O(n )， 像 O(logn)、 O(nlogn) 这样的对数阶复杂度平时很少用。

时间复杂度与空间复杂度

标签：渐进   最大   为什么   线性   参数   之间   循环   环境   控制   

原文地址：https://www.cnblogs.com/huangzhenxiong/p/10117081.html