1. 空间复杂度
空间复杂度(space complexity)用于衡量算法占用内存空间随着数据量变大时的增长趋势。
统计哪些空间:
● 暂存数据:用于保存算法运行过程中的各种常量、变量、对象等。
● 栈帧空间:用于保存调用函数的上下文数据。系统在每次调用函数时都会在栈顶部创建一个栈帧,函数返回后,栈帧空间会被释放。
● 指令空间:用于保存编译后的程序指令,在实际统计中通常忽略不计。
而与时间复杂度不同的是,我们通常只关注最差空间复杂度。这是因为内存空间是一项硬性要求,我们必须确保在所有输入数据下都有足够的内存空间预留。
2. 如何推算
最差空间复杂度中的“最差”有两层含义:
● 以最差输入数据为准:当 n<10 时,空间复杂度为 O(1) ;但当 n>10 时,初始化的数组 nums 占用 O(n) 空间,因此最差空间复杂度为 O(n) 。
function algorithm(n) {const a = 0; // O(1)const b = new Array(10000); // O(1)if (n > 10) {const nums = new Array(n); // O(n)}
}
● 以算法运行中的峰值内存为准:例如,程序在执行最后一行之前,占用 O(1) 空间;当初始化数组 nums 时,程序占用 O(n) 空间,因此最差空间复杂度为 O(n) 。
function constFunc() {// 执行某些操作return 0;
}
/* 循环的空间复杂度为 O(1) */
function loop(n) {for (let i = 0; i < n; i++) {constFunc();}
}
/* 递归的空间复杂度为 O(n) */
function recur(n) {if (n === 1) return;return recur(n - 1);
}
在循环中每轮调用函数,会返回并释放掉栈帧空间,因此只会占用 O ( 1 ) O(1) O(1)的栈帧空间。
而在递归运行中会同时存在多个未返回的函数,所以会占用 O ( n ) O(n) O(n)的栈帧空间
3. 常见类型
注意:该图展示的是空间复杂度,其反映的是增长趋势,而不是占用空间的绝对大小。
3.1 常数阶O(1)
常数阶常见于数量与输入数据大小 n 无关的常量、变量、对象。
需要注意的是,在循环中初始化变量或调用函数而占用的内存,在进入下一循环后就会被释放,因此不会累积占用空间,空间复杂度仍为 O ( 1 ) O(1) O(1):
/* 函数 */
function constFunc() {// 执行某些操作return 0;
}/* 常数阶 */
function constant(n) {// 常量、变量、对象占用 O(1) 空间const a = 0;const b = 0;const nums = new Array(10000);const node = new ListNode(0);// 循环中的变量占用 O(1) 空间for (let i = 0; i < n; i++) {const c = 0;}// 循环中的函数占用 O(1) 空间for (let i = 0; i < n; i++) {constFunc();}
}
3.2 线性阶 O(n)
线性阶常见于元素数量与 n 成正比的数组、链表、栈、队列等
/* 线性阶 */
function linear(n) {// 长度为 n 的数组占用 O(n) 空间const nums = new Array(n);// 长度为 n 的列表占用 O(n) 空间const nodes = [];for (let i = 0; i < n; i++) {nodes.push(new ListNode(i));}// 长度为 n 的哈希表占用 O(n) 空间const map = new Map();for (let i = 0; i < n; i++) {map.set(i, i.toString());}
}
每个部分的空间复杂度都是 O ( n ) O(n) O(n),而这些部分是独立的,不相互嵌套或共享空间。因此,整个函数的空间复杂度为各部分空间复杂度之和( 通常忽略常数系数 )
最终,该函数的空间复杂度是 O ( n ) O(n) O(n)。
3.3 平方阶
平方阶常见于矩阵和图
/* 平方阶 */
function quadratic(n) {// 矩阵占用 O(n^2) 空间const numMatrix = Array(n).fill(null).map(() => Array(n).fill(null));// 二维列表占用 O(n^2) 空间const numList = [];for (let i = 0; i < n; i++) {const tmp = [];for (let j = 0; j < n; j++) {tmp.push(0);}numList.push(tmp);}
}
3.4 指数阶
指数阶常见于二叉树,层数为 n 的“满二叉树”的节点数量为 2 n − 1 2^n-1 2n−1 ,占用 O ( 2 n ) O(2^n) O(2n) 空间
/* 指数阶(建立满二叉树) */
function buildTree(n) {// n为深度if (n === 0) return null;const root = new TreeNode(0);root.left = buildTree(n - 1);root.right = buildTree(n - 1);return root;
}
3.5 对数阶
对数阶常见于分治算法。例如归并排序,输入长度为 n 的数组,每轮递归将数组从中点处划分为两半,形成高度为 l o g n log^n logn 的递归树,使用) l o g 2 n log_2^n log2n栈帧空间。
🔍时间复杂度的相关概念
参考:https://www.hello-algo.com/