2.5 KiB
2.5 KiB
权衡时间与空间
理想情况下，我们希望算法的时间复杂度和空间复杂度都能够达到最优，而实际上，同时优化时间复杂度和空间复杂度是非常困难的。
降低时间复杂度，往往是以提升空间复杂度为代价的，反之亦然。 我们把牺牲内存空间来提升算法运行速度的思路称为「以空间换时间」；反之，称之为「以时间换空间」。选择哪种思路取决于我们更看重哪个方面。大多数情况下，内存空间不会成为算法瓶颈，因此以空间换时间更加常用。
示例题目 *
以 LeetCode 全站第一题 两数之和 为例，「暴力枚举」和「辅助哈希表」分别为 空间最优 和 时间最优 的两种解法。本着时间比空间更宝贵的原则，后者是本题的最佳解法。
方法一：暴力枚举
时间复杂度 O(N^2) ，空间复杂度 O(1) ，属于「时间换空间」。
虽然仅使用常数大小的额外空间，但运行速度过慢。
=== "Java"
```java title="" title="leetcode_two_sum.java"
public int[] twoSum(int[] nums, int target) {
int size = nums.length;
// 外层 * 内层循环，时间复杂度为 O(n)
for (int i = 0; i < size - 1; i++) {
for (int j = i + 1; j < size; j++) {
if (nums[i] + nums[j] == target)
return new int[] { i, j };
}
}
return new int[0];
}
```
=== "C++"
```cpp title="leetcode_two_sum.cpp"
```
=== "Python"
```python title="leetcode_two_sum.py"
```
方法二：辅助哈希表
时间复杂度 O(N) ，空间复杂度 O(N) ，属于「空间换时间」。
借助辅助哈希表 dic ，通过保存数组元素与索引的映射来提升算法运行速度。
=== "Java"
```java title="" title="leetcode_two_sum.java"
public int[] twoSum(int[] nums, int target) {
int size = nums.length;
// 辅助哈希表，空间复杂度 O(n)
Map<Integer, Integer> dic = new HashMap<>();
// 单层循环，时间复杂度 O(n)
for (int i = 0; i < size; i++) {
if (dic.containsKey(target - nums[i])) {
return new int[] { dic.get(target - nums[i]), i };
}
dic.put(nums[i], i);
}
return new int[0];
}
```
=== "C++"
```cpp title="leetcode_two_sum.cpp"
```
=== "Python"
```python title="leetcode_two_sum.py"
```