时间复杂度和空间复杂度

时间复杂度是指执行算法所需要的计算工作量； 
而空间复杂度是指执行这个算法所需要的内存空间。 
（算法的复杂性体现在运行该算法时的计算机所需资源的多少上，计算机资源最重要的是时间和空间（即寄存器）资源，因此复杂度分为时间和空间复杂度）。

简单来说，时间复杂度指的是语句执行次数，空间复杂度指的是算法所占的存储空间

时间复杂度 
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
2. 修改后的运行次数函数中，只保留最高阶项
3. 去除最高阶项的系数

按数量级递增排列，常见的时间复杂度有： 
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)。 
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。

计算时间复杂度

　　(1) 如果算法的执行时间不随着问题的规模n的增长而增长，即使算法中有上千条语句，执行时间也只是一个比较大的常数。此类算法的时间复杂度为O(1);

　　　按数量级递增排列，常见的时间复杂度有：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(n2)，立方阶O(n3),...， k次方阶O(nk),指数阶O(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。

1 i = 100000;
2 while(i--) {
3   printf("hello");
4 }

　　解答:

　　这个算法循环100000次，虽然它运行次数非常多，但是主要执行的第三行的执行时间是常数值，所以他的时间夫再度为常数阶O(1);

　　(2) 当有多个循环嵌套时，算法的时间复杂度是由嵌套层数最多的循环语句的语句频度决定的

1 x=0; 
2 for(i=1;i<=n;i++) 
3     for(j=1;j<=i;j++)
4        for(k=1;k<=j;k++)
5           x++; 

　　这个算法中主要执行的是第5行，它的执行时间是常数值，但是它上面有三层循环，每层每次分别执行是(从最外层到内) [(n-1) ]，[(n-1)+(n-2) ....]，[(n-1-1)+(n-2-1) ....] 次，所以该算法的时间复杂度为O(n3+ 剩余低次项) ≈O(n3);

　　PS: 简单的计算方式(只能参考): 一个循环为n，一个嵌套是n+1，并列时是+n，最后结果取最大项;

最坏时间复杂度和平均时间复杂度 
　最坏情况下的时间复杂度称最坏时间复杂度。一般不特别说明，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上界，这就保证了算法的运行时间不会比任何更长。 
　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，算法的期望运行时间。设每种情况的出现的概率为pi,平均时间复杂度则为sum(pi*f(n)) 
　

常用排序算法的时间复杂度

    最差时间分析  平均时间复杂度 稳定度     空间复杂度   
冒泡排序    O(n2)   O(n2)       稳定        O(1)  
快速排序    O(n2)   O(n*log2n)  不稳定  O(log2n)~O(n)     
选择排序    O(n2)   O(n2)       稳定      O(1)    
二叉树排序  O(n2) O(n*log2n)    不稳定     O(n)     
插入排序    O(n2)   O(n2)       稳定      O(1)    
堆排序 O(n*log2n) O(n*log2n)   不稳定     O(1)    
希尔排序    O        O          不稳定     O(1)

空间复杂度 
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，记做S(n)=O(f(n))。

对于一个算法来说，空间复杂度和时间复杂度往往是相互影响的。当追求一个较好的时间复杂度时，可能会使空间复杂度的性能变差，即可能导致占用较多的存储空间；反之，当追求一个较好的空间复杂度时，可能会使时间复杂度的性能变差，即可能导致占用较长的运行时间。

有时我们可以用空间来换取时间以达到目的。