你好,我是彤哥,一个每天爬二十六层楼还不忘读源码的硬核男人。
上一节,我们一起学习了复杂度分析的套路和常见的复杂度。
但是,我们的案例基本都是以时间复杂度为主,很少接触到空间复杂度。
那么,到底什么才是真正的空间复杂度呢?在空间与时间发生冲突时又该如何权衡呢?
本节,我们就来解决这两个问题。
来个例子现在有一个算法是这样的,给定一个数组,将数组中每个元素都乘以2返回,我实现了下面两种形式:
private static int[] multi1(int[] array) { int[] newArray = new int[array.length]; for (int i = 0; i < array.length; i++) { newArray[i] = array[i] * 2; } return newArray; } private static int[] multi2(int[] array) { for (int i = 0; i < array.length; i++) { array[i] = array[i] * 2; } return array; }暂且不论这两个算法孰好孰坏,你来猜猜他们的空间复杂度各是多少?
你可能会说第一个算法的空间复杂度为O(n),第二个算法的空间复杂度为O(1)。
错!两个算法的空间复杂度都是O(n)。
也不能说你完全错了,因为大部分书籍或者资料都弄错了。
是时候了解真正的空间复杂度了。
空间复杂度与额外空间复杂度空间复杂度,是指一个算法运行的过程占用的空间,这个空间包括输入参数的占用空间和额外申请的空间。
所以,针对上面两个算法:
第一个算法,输入参数n,额外空间n,两者相加为2n,去除常数项,空间复杂度为O(n);
第二个算法,输入参数n,额外空间0,两者相加为n,空间复杂度为O(n)。
可以看到,使用空间复杂度很难判断这两个算法的好坏,所以,诞生了另一个概念——额外空间复杂度。
额外空间复杂度,是指一个算法运行过程中额外申请的空间。
使用额外空间复杂度,针对上面两个算法:
第一个算法,额外空间为n,额外空间复杂度为O(n);
第二个算法,额外空间为0,额外空间复杂度为O(1);
似乎没见过有O(0)这种写法。
可以看到,使用额外空间复杂度能够很轻易地判断两个算法的好坏(从空间占用的角度)。
所以,是时候纠正错误的概念了,以后与人交流的时候请使用“额外空间复杂度”这个概念。
时间与空间的权衡时间与空间往往是一组纠缠在一起的概念,就像很多小说中写的一样,主角最终领悟了时空法则,成为了最强者,小说结束。
在数据结构与算法中也是一样,时间与空间往往同时出现,而且经常朝着相反的方向运动。
比如,对于排序算法:
冒泡排序,时间复杂度O(n^2),空间复杂度O(1)
归并排序,时间复杂度O(nlogn),空间复杂度O(n)
所以,有两种思想:以时间换空间,以空间换时间。
那么,哪种算法更好呢?
我认为,如果有时间、空间同时比较小的为最好,退而求其次,我选择以空间换时间,毕竟,随着计算机硬件技术地不断发展,空间越来越不值钱,而时间却越来越值钱,所以,以空间换时间也是一种常用的思想,在我们后续的课程中会出现大量以空间换时间的案例。
想知道冒泡排序和归并排序算法的复杂度如何计算吗?来呀,关注我吧。
后记本节,我们从一个小例子入手,分析了两种算法的空间复杂度,并引出空间复杂度的真身——额外空间复杂度,最后,通过对比冒泡排序和归并排序的时间复杂度和空间复杂度,得出了以空间换时间的思想。
到这里,关于复杂度相关的章节就写完了,从下一节开始,我们将进入常用数据结构与算法的学习中,敬请期待。
P.S. 下周将进行晋升答辩,会停更几天,敬请谅解。