数据结构中算法的时间和空间复杂度怎么计算

排序算法 所谓排序，就是使一串记录，按照其中的某个或某些关键字的大小，递增或递减的排列起来的操作。 分类 在计算机科学所使用的排序算法通常被分类为： 计算的复杂度（最差、平均、和最好表现），依据串列（list）的大小（n）。一般而言，好的表现是O。(n log n)，且坏的行为是Ω(n2)。对於一个排序理想的表现是O(n)。仅使用一个抽象关键比较运算的排序算法总平均上总是至少需要Ω(n log n)。 记忆体使用量（以及其他电脑资源的使用） 稳定度：稳定排序算法会依照相等的关键（换言之就是值）维持纪录的相对次序。也就是一个排序算法是稳定的，就是当有两个有相等关键的纪录R和S，且在原本的串列中R出现在S之前，在排序过的串列中R也将会是在S之前。 一般的方法：插入、交换、选择、合并等等。交换排序包含冒泡排序（bubble sort）和快速排序（quicksort）。选择排序包含shaker排序和堆排序（heapsort）。 当相等的元素是无法分辨的，比如像是整数，稳定度并不是一个问题。然而，假设以下的数对将要以他们的第一个数字来排序。 (4, 1) (3, 1) (3, 7) (5, 6) 在这个状况下，有可能产生两种不同的结果，一个是依照相等的键值维持相对的次序，而另外一个则没有： (3, 1) (3, 7) (4, 1) (5, 6) (维持次序) (3, 7) (3, 1) (4, 1) (5, 6) (次序被改变) 不稳定排序算法可能会在相等的键值中改变纪录的相对次序，但是稳定排序算法从来不会如此。不稳定排序算法可以被特别地时作为稳定。作这件事情的一个方式是人工扩充键值的比较，如此在其他方面相同键值的两个物件间之比较，就会被决定使用在原先资料次序中的条目，当作一个同分决赛。然而，要记住这种次序通常牵涉到额外的空间负担。 排列算法列表 在这个表格中，n是要被排序的纪录数量以及k是不同键值的数量。 稳定的 冒泡排序（bubble sort） — O(n2) 鸡尾酒排序 (Cocktail sort, 双向的冒泡排序) — O(n2) 插入排序 （insertion sort）— O(n2) 桶排序 （bucket sort）— O(n); 需要 O(k) 额外 记忆体 计数排序 (counting sort) — O(n+k); 需要 O(n+k) 额外 记忆体 归并排序 （merge sort）— O(n log n); 需要 O(n) 额外记忆体 原地归并排序 — O(n2) 二叉树排序 （Binary tree sort） — O(n log n); 需要 O(n) 额外记忆体 鸽巢排序 (Pigeonhole sort) — O(n+k); 需要 O(k) 额外记忆体 基数排序 （radix sort）— O(n·k); 需要 O(n) 额外记忆体 Gnome sort — O(n2) Library sort — O(n log n) with high probability, 需要 (1+ε)n 额外记忆体 不稳定 选择排序 （selection sort）— O(n2) 希尔排序 （shell sort）— O(n log n) 如果使用最佳的现在版本 Comb sort — O(n log n) 堆排序 （heapsort）— O(n log n) Smoothsort — O(n log n) 快速排序 （quicksort）— O(n log n) 期望时间, O(n2) 最坏情况; 对於大的、乱数串列一般相信是最快的已知排序 Introsort — O(n log n) Patience sorting — O(n log n + k) 最外情况时间, 需要 额外的 O(n + k) 空间, 也需要找到最长的递增子序列（longest increasing subsequence） 不实用的排序算法 Bogo排序 — O(n × n!) 期望时间, 无穷的最坏情况。 Stupid sort — O(n3); 递回版本需要 O(n2) 额外记忆体 Bead sort — O(n) or O(√n), 但需要特别的硬体 Pancake sorting — O(n), 但需要特别的硬体 排序的算法 排序的算法有

你好．T(n)＝O( f (n) ) 　表示时间问题规模n的增大，算法执行时间　的增长率和f(n)的增长率相同．称作　时间复杂度．如下：1.　{++x;s=0}2.　for (i=1;i<=n;++i) { ++x; s+=x;}3.　for ( j=1; j<=n;++j ) for (k+1;j<=n;++k) { ++x;s+=x;}基本操作“x增1”的语句的频度分别为1.n和n的平方．则这三个程序段的时间复杂度分别　为．O(1). O(n)..O(n平方)．分别为常量阶．线性阶．和平方阶．．．算法可能呈现　的时间　复杂度还有对数阶O(long n)　．指数阶O(2 n方)等　．空间复杂度：　　s(n)=O(f(n))其中n为问题的规模（或大小）．一个上机执行的程序　除了需要存储空间来寄存本身所用指令．常数．变量和输入数据外．也要一些对数据进行操作　的工作单元和存储一些为实现计算所需信息的空间．若输入数据所占的空间只取决于问题本身，和算法无关，则只要分析除输入和程序之处的额处空间，否则应同时考虑输入本身所需空间...有点抽象．．．因为本人也学不好．所以．只能回答这些．．见谅．．