🧠在计算机科学中，算法是解决问题的核心工具。然而，并非所有算法都是“生而平等”的。有些算法执行飞快、内存占用极少；有些则慢如蜗牛、吃掉大量内存。为了客观、科学地评价一个算法的优劣，我们引入了两个关键指标：时间复杂度和空间复杂度。它们共同构成了算法分析的基石。
⏱️ 时间复杂度：衡量执行时间的增长趋势
什么是时间复杂度？
时间复杂度并不是指算法实际运行了多少秒，而是描述算法执行时间随输入规模增长的变化趋势。它关注的是“当问题规模 n 变得非常大时，算法需要多少次基本操作”。
换句话说，时间复杂度是一种渐进分析（Asymptotic Analysis） ，它忽略常数因子和低阶项，只保留对增长起主导作用的部分。
✅ 核心思想：抓主要矛盾，看趋势，而非精确计时。
如何计算时间复杂度？
-
写出基本操作的执行次数 T(n)
遍历代码，统计关键语句（如赋值、比较、输出等）被执行的次数，表示为关于输入规模 n 的函数。 -
化简为大 O 表示法（Big O Notation）
- 去掉所有常数系数（如 3n → n）
- 去掉低阶项（如 n² + n → n²）
- 保留最高阶项
例如：
- 若 T(n) = 3n + 3，则时间复杂度为 O(n)
- 若 T(n) = 3n² + 5n + 1，则时间复杂度为 O(n²)
💾 空间复杂度：衡量内存占用的增长趋势
什么是空间复杂度？
空间复杂度是指算法在运行过程中临时占用的存储空间大小，同样以输入规模 n 为变量进行分析。它不包括输入本身所占的空间（如传入的数组），而是关注算法额外申请的内存。
例如：
- 如果算法只使用几个变量，无论 n 多大，空间不变 → O(1)
- 如果算法创建了一个长度为 n 的新数组 → O(n)
🔍 注意：函数参数（如
arr）所占空间通常不计入空间复杂度，因为那是调用者提供的。
📊 常见时间复杂度等级（由快到慢）
| 复杂度 | 名称 | 特点说明 |
|---|---|---|
| O(1) | 常数时间 | 执行时间与 n 无关，最快 |
| O(log n) | 对数时间 | 每次将问题规模减半（如二分查找） |
| O(n) | 线性时间 | 遍历一次数据 |
| O(n log n) | 线性对数时间 | 高效排序算法（如归并排序、快速排序） |
| O(n²) | 平方时间 | 两层嵌套循环 |
| O(n³) | 立方时间 | 三层嵌套循环 |
| O(2ⁿ) | 指数时间 | 每增加一个元素，操作翻倍（如暴力解旅行商问题） |
| O(n!) | 阶乘时间 | 极其低效，仅适用于极小规模 |
⚠️ 实际开发中，应尽量避免 O(n²) 以上的算法处理大规模数据。
🔍 实例分析：从代码片段理解复杂度
下面我们结合具体代码，深入剖析时间与空间复杂度的计算过程。
📄 示例 1：线性遍历一维数组（来自 1.js）
function traverse(arr) {
var len = arr.length; // T(1)
for (var i = 0; i < len; i++){ // 初始化 i=0: T(1)；判断 i<len: T(n+1)；i++: T(n)
console.log(arr[i]); // T(n)
}
}
// 总执行次数 T(n) = 1 + 1 + (n+1) + n + n = 3n + 3
- 时间复杂度：最高阶项为 n → O(n)
- 空间复杂度：仅使用
len和i两个变量，无额外数组 → O(1)
✅ 这是最典型的线性时间、常数空间算法。
📄 示例 2：遍历二维数组（来自 2.js）
function traverse(arr) {
var outlen = arr.length; // T(1)
for (var i = 0; i < outlen; i++){ // 外层循环：1 + (n+1) + n
var inlen = arr[i].length; // 执行 n 次
for (var j = 0; j < inlen; j++){ // 内层循环：每行执行 m 次（假设每行长度≈n）
console.log(arr[i][j]); // 执行 n×n 次
}
}
}
// 假设是 n×n 的方阵，则总次数 ≈ 3n² + 5n + 1
- 时间复杂度：主导项为 n² → O(n²)
- 空间复杂度：仅使用
outlen,inlen,i,j→ O(1)
⚠️ 即使内层长度不固定，只要总元素数为 N，时间复杂度就是 O(N) 。但若按“行数 n，每行平均 m 元素”，则为 O(n×m) 。
📄 示例 3：指数步长遍历（来自 3.js）
for (var i = 1; i < len; i = i * 2){
console.log(arr[i]);
}
- 循环变量 i 的变化：1 → 2 → 4 → 8 → ... → < len
- 设循环执行 k 次，则 2ᵏ < len ⇒ k < log₂(len)
- 因此循环次数为 log₂n
- 时间复杂度：O(log n)
- 空间复杂度：仅变量 i → O(1)
✅ 这是对数时间的典型结构，常见于二分查找、堆操作、分治算法中。
📄 示例 4：初始化数组（来自 4.js）
function init(n) {
var arr = []; // 创建空数组
for (var i = 0; i < n; i++){
arr[i] = i; // 赋值 n 次
}
return arr;
}
- 时间复杂度：循环 n 次 → O(n)
- 空间复杂度：新创建长度为 n 的数组 → O(n)
💡 虽然时间是线性的，但空间开销也是线性的，这是典型的“用空间换时间”或“生成数据”的场景。
🧩 补充知识：为什么大 O 表示法如此重要？
- 平台无关性
不同 CPU、语言、编译器会影响实际运行时间，但操作次数的趋势不变。 - 聚焦可扩展性
当 n=10 时，O(n²) 和 O(n) 差别不大；但当 n=1,000,000 时，O(n²) 可能需要数小时，而 O(n) 只需几毫秒。 - 指导算法设计
在设计系统时，优先选择低复杂度算法，避免性能瓶颈。
🛠️ 实践建议
- 避免过早优化，但要有复杂度意识。
- 在面试或竞赛中，先分析复杂度再写代码。
- 对于嵌套循环，警惕 O(n²)；对于递归，警惕 O(2ⁿ)。
- 利用哈希表（Map/Set）可将查找从 O(n) 降到 O(1)，但会增加 O(n) 空间。
🎯 总结
| 概念 | 含义 | 关注点 |
|---|---|---|
| 时间复杂度 | 执行时间随 n 增长的趋势 | 操作次数的主导项 |
| 空间复杂度 | 额外内存占用随 n 增长的趋势 | 新申请的存储空间 |
通过分析 1.js 到 4.js 的四个典型例子，我们看到了：
- O(1)、O(log n)、O(n)、O(n²)、O(n) 空间等不同复杂度的实际表现。
- 如何从代码结构推导出 T(n)，再简化为 Big O。
- 空间复杂度往往被忽视，但在内存受限场景（如嵌入式、大数据）至关重要。
掌握时间与空间复杂度，就等于掌握了评估算法效率的语言。它是每一位程序员迈向高效编程的必经之路。🚀
