前言
本篇文章收录于专辑:http://dwz.win/HjK,点击解锁更多数据结构与算法的常识。
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,咱们一起学习了复杂度剖析的套路和常见的复杂度。
然而,咱们的案例根本都是以工夫复杂度为主,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?在空间与工夫发生冲突时又该如何衡量呢?
本节,咱们就来解决这两个问题。
来个例子
当初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,我实现了上面两种模式:
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;
}
暂且不管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)。
也不能说你齐全错了,因为大部分书籍或者材料都弄错了。
是时候理解真正的空间复杂度了。
空间复杂度与额定空间复杂度
空间复杂度 ,是指一个算法运行的过程占用的空间,这个空间包含输出参数的占用空间和额定申请的空间。
所以,针对下面两个算法:
- 第一个算法,输出参数 n,额定空间 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,输出参数 n,额定空间 0,两者相加为 n,空间复杂度为 O(n)。
能够看到,应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——额定空间复杂度。
额定空间复杂度 ,是指一个算法运行过程中额定申请的空间。
应用额定空间复杂度,针对下面两个算法:
- 第一个算法,额定空间为 n,额定空间复杂度为 O(n);
- 第二个算法,额定空间为 0,额定空间复杂度为 O(1);
仿佛没见过有 O(0) 这种写法。
能够看到,应用额定空间复杂度可能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,当前与人交换的时候请应用“额定空间复杂度”这个概念。
工夫与空间的衡量
工夫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,配角最终领悟了时空法令,成为了最强者,小说完结。
在数据结构与算法中也是一样,工夫与空间往往同时呈现,而且常常朝着相同的方向静止。
比方,对于排序算法:
- 冒泡排序,工夫复杂度 O(n^2),空间复杂度 O(1)
- 归并排序,工夫复杂度 O(nlogn),空间复杂度 O(n)
所以,有两种思维:以工夫换空间,以空间换工夫。
那么,哪种算法更好呢?
我认为,如果有工夫、空间同时比拟小的为最好,退而求其次,我抉择以空间换工夫,毕竟,随着计算机硬件技术地一直倒退,空间越来越不值钱,而工夫却越来越值钱,所以,以空间换工夫也是一种罕用的思维,在咱们后续的课程中会呈现大量以空间换工夫的案例。
想晓得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,咱们从一个小例子动手,剖析了两种算法的空间复杂度,并引出空间复杂度的真身——额定空间复杂度,最初,通过比照冒泡排序和归并排序的工夫复杂度和空间复杂度,得出了以空间换工夫的思维。
到这里,对于复杂度相干的章节就写完了,从下一节开始,咱们将进入罕用数据结构与算法的学习中,敬请期待。
P.S. 下周将进行降职问难,会停更几天,敬请体谅。
关注公号主“彤哥读源码”,解锁更多源码、根底、架构常识。