2024.11.2-1.2_3_算法的空间复杂度

[每日学习打卡]

📊 算法的时间与空间复杂度总结

一、算法的时间复杂度

1. 时间复杂度的定义

• 时间复杂度指的是算法执行所需的时间随输入规模的变化而变化。通常用大O表示法来描述其增长速度，记为 T(n)。

2. 常见的时间复杂度

• 常数时间复杂度 O(1)：无论输入规模多大，算法执行时间恒定。例如，直接返回一个变量。
• 线性时间复杂度 O(n)：算法执行时间与输入规模成正比。例如，简单的循环遍历数组。
• 平方时间复杂度 O(n^2)：常见于双层嵌套循环的算法。
• 对数时间复杂度 O(log n)：算法执行时间与输入规模的对数成正比，通常在二分查找中出现。
• 指数时间复杂度 O(2^n)：算法执行时间随输入规模的指数倍增长，例如递归解决子集生成问题。

3. 计算复杂度的规则

• 加法规则：若算法由多个独立的部分组成，总时间复杂度为每部分复杂度的最大值。例如：
  $$ T(n) = O(n) + O(log n) = O(n) $$
• 乘法规则：若算法包含多层嵌套循环，则总时间复杂度为每层复杂度的乘积。例如：
  $$ T(n) = O(n) \times O(n) = O(n^2) $$

4. 复杂度的简化

• 当规模 n 变得非常大时，只需保留复杂度表达式中的最高阶项并忽略常数系数。例如，3n^2 + 2n + 5 可以简化为 O(n^2)。

---

二、算法的空间复杂度

1. 空间复杂度的定义

• 空间复杂度表示算法运行过程中占用的内存空间大小。通常记为 S(n)，其中 n 为输入规模。

2. 常见的空间复杂度

• 常数空间复杂度 O(1)：只占用常量空间，与输入规模无关，例如用几个固定变量存储结果的算法。
• 线性空间复杂度 O(n)：所需空间与输入规模成正比，例如使用数组存储中间结果的算法。

3. 原地工作算法

• 若算法不需要额外的空间，称为原地工作，其空间复杂度为 O(1)。

---

三、时间复杂度与空间复杂度的关系

• 时间-空间权衡：有些算法可以通过增加空间使用来降低时间复杂度，反之亦然。需要根据具体需求选择合适的算法。

示例代码

• 时间复杂度 O(n^2) 的示例代码：

def example(n):
    for i in range(n):
        for j in range(n):
            print(i, j)

---

💡 总结：理解并计算算法的时间和空间复杂度对分析算法的效率至关重要。在解决实际问题时，选择合适的算法不仅能提高运行效率，还能有效利用内存资源。