时间复杂度的计算

        时间复杂度：算法中基本操作重复执行的次数是问题规模n的某个函数f（n），T（n）=O（f（n））。它表示随问题规模n的增大，算法执行时间的增长率和f（n）的增长率相同。
      语句的频度：是该语句重复执行的次数。

例1：交换i和j的内容。
temp=i; i=j; j=temp;
以上三条语句的频度均为1，该程序的执行时间是与问题规模n无关的常数，因此算法的时间复杂度为常数阶，记作T（n）=O（1）。

例2：变量计数。
(1）x=0;y=0;
(2)for(k=1;k<=n;k++)
(3)  x++;
(4)for(i=1;i<=n;i++)
(5)  for(j=1;j<=n;j++)
(6)     y++;
  以上语句中频度最大的语句是（6），其频度为f(n)= n²,所以该程序段的时间复杂度为T(n)=O(n²)

例3：求两个n阶方阵的乘积C=A×B，其算法如下：
#define n 100
void MatrixMultiply(int A[n][n],int B[n][n],int C[n][n]){ int i,j,k
 for (i=1;i<=n;++i)         /* 次数 n+1 */
for (j=1;j<=n;++j)          /* 次数 n*(n+1)*/
{ C[i][j]=0;                /* 次数  n²  */
        for (k=1;k<=n,k++)  /* 次数 n²(n+1) */
           C[i][j]=C[i][j]+A[i][k]*B[k][j];/* 次数 n³ */
}
}
T(n)=2n³+3n²+2n+1
lim（T(n)/ n³)=2 
T(n)=O(n³)

例4：
（1）{++x;s=0;}
（2）for (i=1;i<=n;++i) {++x;s+=x;}
（3）for (j=1;j<=n;++j)
（4）    for (k=1;k<=n;k++){++x;s+=x;}
(5) i=1; while(i<=n) i=i*2;执行次数f(n)与n的关系是n=2^f(n)

含基本操作“x增1”的语句的频度分别为1,n，n²和log₂n

常见的时间复杂度，按数量级递增排列依次为：常数阶O(1),对数阶0(Log₂n),线性阶O(n)，线性对数阶0(nLog₂n)，平方阶O(n²)，立方阶0(n³)，指数阶O(2ⁿ)。通常认为，具有指数阶量级的算法是实际不可计算的，而量级低于平方阶的算法是高效的。