效率的重要性
在介绍大 O 表示法前，先看个简单的例子。假设你的邮箱中有 10 封邮件，其中一封邮件有你需要的电话号码，在不使用搜索功能的前提下，如何找到这封邮件呢？
由于只有 10 封邮件，你可以逐一打开邮件浏览，直到找到所需电话号码的那封，总得来说问题不大，最多花个一两分钟。那如果邮箱里有 18 亿封邮件呢？面对这么庞大的规模，你绝对不会像刚才那样挨个打开查找，因为就算检查每封邮件只需 1 秒，你也需要不眠不休得花上 57 年才能找到需要的那封。
image
这个例子告诉我们，在小规模范围内运作良好的方法，一旦规模扩大就会变得不再适用。如果真的有那么多邮件，我们最先想到的就是通过全局搜索匹配来节约时间。
复杂度是什么
衡量算法的高效与否的标准有两个：
- 花更少的时间
- 花更少的空间
这两点分别对应时间复杂度和空间复杂度。举个例子：商场购物
开车购物法 — 开一辆大车去商场，一趟买完所有的东西回家。
步行购物法 — 拎个口袋步行去商场，分几趟买完所有的东西。
开车购物法可以节省时间，但是要求你有一辆大车，该方法时间复杂度低，空间复杂度高；步行购物法可以省空间，但是要求你往返好几趟，该方法时间复杂度高，空间复杂度低。因此，现实生活中遇到类似的问题我们需要权衡。
大 O 表示法是什么
大 O 符号是用来描述算法复杂度的语言，用它来反应不同算法处理问题的效率。算法的效率体现在：当输入的任意增长时，算法相对输入的运行时增长速度。
简单分析
- 输入任意增长 — 大 O 表示法关心的是，随着输入 n 增长而增长最快速的部分，因为当 n 变得非常大时，其余的影响显得微不足道。
- 运行时增长速度 — 算法的运行时间取决于处理器的性能，因此很难确定其准确的运行时间。所以大 O 表示法讨论的是运行时的增长速度 。
- 相对输入 — 大 O 表示法可以衡量运行时的增长速度，如 “算法效率和输入成线性关系”（O(N)）
O(1) — 常数时间
这表示该算法的运行时是固定的，即无论输入多少数据，算法都将花费相同的时间。举个例子，下面的方法接收一个数组，不管传递的数组中的元素数量是 1 还是 1000，所花的时间是一致的，因为该方法只是简单得返回数组中的第一个元素。
function(array) {
return array[0];
}
趋势图如下：
image
O(1)
O(n) — 线性时间
对于上面邮件的例子，这相当于手动查看所有的邮件。随着数组中元素数量增加，处理所需的时间也以相同的速率增加。举个例子，下面的方法将传入的数组的元素打印出来，console.log() 方法执行的次数取决于数组的长度。
function logArray(array) {
for (let i = 0; i < array.length; i++) {
console.log(array[i]);
}
}
趋势图如下
image
O(n)
O(N²), O(N³), O(N⁴) — 平方时间, 立方时间, 四次方时间
算法复杂度为 O(N²) 的典型标志是代码中出现循环嵌套：
function(array){
for (let i = 0; i < array.length; i++){
for (let j = 0; j < array.length; j++){
console.log(array[j]);
}
}
}
下图给出 O(N) 和 O(N²) 的增长趋势对比：
image
蓝色: O(N) · 红色: O(N²)
同理，还有 O(N³)、 O(N⁴) 只要多嵌套几层循环，运行时也会随之急速增长。
image
蓝色: O(N) · 红色: O(N²) · 绿色: O(N³) · 橘黄色: O(N⁴)
O(logN) — 对数时间
算法时间复杂度为 O(logN) 的例子是二分查找，二分查找的思路是：将要查找的数与当前数组中心值进行比较，每次比较过滤掉当前数组的一半，因此非常高效。如下图
image
</center>
O(logN) 的增长趋势图：
image
紫色: O(logN)
忽略常量
下面的方法对传入的数组执行两次相同的操作：
function countUpThenDown(array) {
for (let i = 0; i < array.length; i++) {
console.log(i);
};
for (let i = array.length; i > 0; i--) {
console.log(i);
};
}
很容易想到该方法的算法效率为 O(2N)。如果在方法中再加一个非嵌套的循环，将执行 3 次相同的操作，算法效率为 O(3N)。在数据规模很小的情况下，这点差异是很重要的。但是大 O 表示法更加关注的是大规模数据下的性能表现，因此通常忽略常量倍数，从下面的图表就可以看到。
image
蓝色: O(N) · 红色: O(2N) · 绿色: O(3N).
</center>
image
蓝色: O(N) · 红色: O(2N) · 绿色: O(3N).
图一显示了 O(N) 、 O(2N)、O(3N) 在小规模下的差异，图二显示这种差异在大规模的情况下微不足道。
只关心最高次幂
很少会看到函数的时间复杂度被表示成 O(N² + N) 。实际上 O(N² + N) 和 O(N²) 的差异只是随着 N 的增加 Y 轴上移 N 个单位，如下图
image
蓝色: (N² + N) · 红色: O(N²).
可以看到决定真正走势的是 N²，因此在许多情况下，将表达式缩减到对算法影响最大的元素就够了。有了这套规则，通常将算法时间复杂度为 O(2N³ + 5N² + 4N + 7) 缩写成 O(N³)。
考虑的是最差情况
function findTheMeaningOfLife(array){
for (let i = 0; i < array.length; i++) {
if (array[i] === 42) {
return i;
}
}
}
例如上面的方法很有可能会提前结束，但是大 O 表示法考虑的是最差的情况，因此该方法的时间复杂度还是 O(N)。
空间复杂度
大 O 也可以用来表示空间复杂度 。当讨论空间复杂度时，我们关注的是算法在运行时额外分配的内存空间。
function sayHiNTimes(n) {
for (let i = 0; i < n; i++) {
console.log('hi');
}
}
上面的方法空间复杂度是 O(1) ，因为整个过程只用到一个固定的变量。
function arrayOfHiNTimes(n) {
const hiArray = [];
for (let i = 0; i < n; i++) {
hiArray[i] = 'hi';
}
return hiArray;
}
上面的方法空间复杂度是 O(N) ，因为 hiArray 的长度随着 n 的增大而增大。
COVER FROM：http://rkhcy.github.io/2019/03/06/bigO/
网友评论