一文拿下面试必考题：O 时间空间复杂度

在面试的时候 算法时必考的，而O复杂度分析是所有技术问题的敲门砖。无论你写出的代码逻辑多么精妙，如果无法准确评估其运行效率和资源消耗，往往很难打动面试官。本文将结合我的实际代码案例，带你深度剖析 时间复杂度 与 空间复杂度 的核心逻辑。 完整项目结构及源码链接：gitee.com/hong-strong…

---

一、 如何评价算法的好坏？

在计算机科学中，评价一个算法的优劣通常不看它的代码量多少，而是看它对资源的利用效率。主要从两个维度进行考量：

1. 时间复杂度 (Time Complexity)： 指执行算法所需要的时间。在代码层面，它反映为指令执行的次数。
2. 空间复杂度 (Space Complexity)： 指执行算法时占用的内存空间大小。

一个优秀的算法往往需要在“跑得快”和“省内存”之间寻找平衡。

---

二、 时间复杂度：抓主要矛盾

1. 什么是 $T(n)$ 与 $O(n)$？

时间复杂度并不是直接统计代码运行了多少秒（因为不同硬件环境差异巨大），而是反映一种趋势。

• $T(n)$： 代表代码执行的次数。
• $O(n)$： 大 O 表示法，它只关注随着输入规模 $n$ 的增大，执行时间的增长趋势。

在计算时，我们遵循“抓主要矛盾”的原则：忽略常数项、忽略低阶项、忽略系数。

2. 线性阶：$O(n)$

我们来看文件 1.js 中的代码：

// T(n)
function traverse(arr) {
  var len = arr.length; // 执行 1 次
  for (var i = 0; i < len; i++) { // 定义、判断、自增：1 + (n+1) + n
    console.log(arr[i]); // 执行 n 次
  }
}

深度解析：

通过累加可以得到 $T(n) = 1 + 1 + (n + 1) + n + n = 3n + 3$。

当我们用大 O 表示法时，常数 $3$ 和系数 $3$ 都可以忽略，因为当 $n$ 趋近于无穷大时，它们对趋势的影响微乎其微。最终该算法的时间复杂度为 $O(n)$ 。

3. 平方阶：$O(n^2)$

再看嵌套循环的情况，如文件 2.js：

function traverse(arr) {
  var outlen = arr.length; 
  for (var i = 0; i < outlen; i++) { 
    var inlen = arr[i].length; 
    for (var j = 0; j < inlen; j++) {
      console.log(arr[i][j]); 
    }
  }
}

深度解析：

• 外层循环执行 $n$ 次，内层循环针对每个外层元素又执行 $n$ 次。
• 计算得出 $T(n) = 3n^2 + 5n + 1$。
• 根据抓主要矛盾原则，保留最高阶项并去掉系数，结果为 $O(n^2)$ 。这类复杂度常见于双重循环遍历二维数组。

4. 对数阶：$O(\log N)$

对数阶通常出现在数据规模以倍数缩减或增长的场景中，如文件 3.js：

for (var i = 1; i < len; i = i * 2) {
  console.log(arr[i]);
}

深度解析：

这里的变量 $i$ 每次乘以 $2$，意味着 $2^x < n$。求得执行次数 $x = \log_2 n$。在复杂度分析中，底数通常省略，统一记作 $O(\log N)$ 。这是非常高效的算法，常见于二分查找。

---

三、 空间复杂度：内存的度量

空间复杂度衡量的是算法在运行过程中临时占据存储空间的大小。

1. 常数阶：$O(1)$

如果一个算法只是定义了几个固定的变量，无论输入数据 $n$ 多大，它消耗的额外内存都不变，那么它的空间复杂度就是 $O(1)$ 。

2. 线性阶：$O(n)$

观察文件 4.js 中的内存开辟：

JavaScript

function init(n) {
  var arr = []; // 新开辟空间
  for (var i = 0; i < n; i++) {
    arr[i] = i; // 空间随 n 的增大而增大
  }
  return arr;
}

深度解析：

在这段代码中，我们创建了一个数组 arr，其长度直接取决于输入规模 $n$。这意味着程序运行需要额外申请 $n$ 个单位的存储空间，因此空间复杂度为 $O(n)$ 。

---

四、 常见复杂度排行

在面试中，理解不同复杂度的性能差异至关重要。

从优到劣的排序如下：

1. $O(1)$ ：常数阶（极好）
2. $O(\log N)$ ：对数阶（优秀）
3. $O(n)$ ：线性阶（良好）
4. $O(n \log N)$ ：线性对数阶（常见于高效排序算法）
5. $O(n^2)$ ：平方阶（一般，需警惕）
6. $O(2^n)$ ：指数阶（差，容易造成崩溃）

---

五、 总结

• 面试技巧： 当面试官问到复杂度时，先找循环。单层循环看 $n$，双层循环看 $n^2$，折半查找看 $\log N$。
• 空间换时间： 在实际开发中，我们经常为了追求更快的执行速度（降低时间复杂度）而增加内存占用（提高空间复杂度），这是一种常见的架构权衡。

掌握了 $O$ 表示法，你不仅能写出跑得通的代码，更能写出跑得高效的代码。