算法性能

评价算法的能力的两个纬度：

时间复杂度
空间复杂度

时间复杂度

算法的时间复杂度反映的不是算法的逻辑代码到底被执行了多少次，而是随着输入规模的增大，算法对应的执行总次数的一个变化趋势。一般对 T(n) 做如下处理实现从计算 T(n) -> 推导 O(n)

若 T(n) 是常数，那么无脑简化为 1
若 T(n) 是多项式如 3n^2 + 5n + 3，我们只保留次数最高那一项，并且将其常数系数无脑改为 1

function traverse(arr) {
    const len = arr.length
    for(let i=0;i<len;i++) {
        console.log(arr[i])
    }
}

以上代码计算机执行运算的步骤

函数里的第一行代码 const len = arr.length，它只会被执行 1 次
循环体 console.log(arr[i]) 在 for 循环跑了 n 次，因此这条语句就会被执行 n 次
- 其中初始化语句 let i = 0 只有执行了 1 次
- 其中判断语句 i < len 执行的次数就是 n+1 次。有个规律是在所有的 for 循环里，判断语句都会比递增语句多执行一次。
- 其中递增语句 i++ 被执行 n 次

将总的执行次数记为 T(n)，以上实例代码执行的次数为：T(n) = 1 + n + 1 + (n+1) + n = 3n + 3，然后通过简化处理得到算法的时间复杂度

T(n) = 10
O(n) = 1
T(n) = 3n^2 + 5n + 3
O(n) = n^2

此外我们一般只要直接抓主要矛盾实现目测得到算法的 O(n) 值，就可以衡量算法在数据规模变化时时间复杂度了

// 对于循环只需要关心其最内层那个循环体被执行多少次就行了
// 规模为 n 的一维数组遍历时，最内层的循环会执行 n 次，其对应的时间复杂度是 O(n)
function traverse1(arr) {
    const len = arr.length
    for(let i=0;i<len;i++) {
        console.log(arr[i])
    }
}
// 规模为 n*n 的二维数组遍历时，最内层的循环会执行 n*n 次，其对应的时间复杂度是 O(n^2)
function traverse2(arr) {
    const outLen = arr.length
    for(let i=0;i<outLen;i++) {
        const inLen = arr[i].length
        for(let j=0;j<inLen;j++) {
            console.log(arr[i][j])
        }
    }
}
// 以此类推，规模为 n*m 的二维数组最内层循环会执行 n*m 次，其对应的时间复杂度就是 O(n*m)
// 规模为 n*n*n 的三维数组最内层循环会执行 n^3 次，因此其对应的时间复杂度就表示为 O(n^3)

Tip

时间复杂度除了多项式以外，还可以是对数 logn

// 读取一个一维数组作为入参，然后对其中的元素进行跳跃式的输出
function fn(arr) {
    const len = arr.length
    for(let i=1; i<len; i=i*2) {
        console.log(arr[i])
    }
}

假设 i 在以 i=i*2 的规则递增了 x 次之后，i<n 开始不成立（反过来说也就是 i>=n 成立）。那么此时我们要计算的其实就是这样一个数学方程： $2^x >= n$ ，解得 $x>=\log_{2}n$ 其中 x 是循环次数

因此以上算法的复杂度为 O(n) = logn

常见的时间复杂度按照从小到大的顺序排列：

空间复杂度

空间复杂度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。和时间复杂度相似，它是内存增长的趋势。常见的空间复杂度有 O(1)、O(n) 和 O(n^2)。

function traverse(arr) {
    const len = arr.length
    for(let i=0;i<len;i++) {
        console.log(arr[i])
    }
}

以上实例运行时有 3 个变量占用内存空间：arr、len、i。尽管咱们做了很多次循环，但是这些都是时间上的开销；循环体在执行时并没有开辟新的内存空间，因此整个 traverse 函数对内存的占用量是恒定的，它对应的空间复杂度就是 O(1)。

function init(n) {
    let arr = []
    for(let i=0;i<n;i++) {
        arr[i] = i
    }
    return arr
}

以上实例中 init 函数运行时有 3 个变量占用内存：n、arr、i。其中变量 arr 不是一个一成不变的数组，它最终的大小是由输入的 n 的大小决定的，它会随着 n 的增大而增大、呈一个线性关系，因此这个算法的空间复杂度就是 O(n)。

类似地，假如需要初始化的是一个规模为 n*n 的数组，那么它的空间复杂度就是 O(n^2) 啦。