算法的时间复杂度(大O表示法，其中O是个常量)

算法的时间复杂度和空间复杂度都是用 大O表示法，来表示的。其中O是个常量。

常见的 排序算法的时间复杂度：

                                              冒泡排序、插入排序、希尔排序、选择排序的时间复杂度是O（n^2）；

                                              快速排序的时间复杂度是 O（n * log n）;

                                  空间复杂度：

                                              冒泡排序、插入排序、希尔排序、选择排序的空间复杂度是O（1）；

                                              快速排序的时间复杂度是 O（log n）;

常见的 查找算法的时间复杂度：

                        线性结构的查找的时间复杂度，如 二分查找（用于已经排好序的数据，如已序的数组）；O(n)

                        非线性结构的查找的时间复杂度，如 二叉查找树 ；O（log n）

 

排序类别  时间复杂度  空间复杂度  稳定 

1 插入排序  O(n2)              O(1)         √ 

2 希尔排序  O(n2)              O(1)         × //Shell（希尔）排序是基于插入排序的，时间效率比插入、选择、冒泡高，但又比快速排序低点；

3 冒泡排序 O(n2)               O(1)         √ 

4 选择排序  O(n2)              O(1)         ×  

5 快速排序  O(Nlogn)      O(logn)     × 

6 堆排序  O(Nlogn)          O(1)          × 

7 归并排序 O(Nlogn)        O(n)          √ 

 

冒泡排序、插入排序、归并排序是稳定的，算法时间复杂度是O(n ^2)；

选择排序、快速排序、堆排序、希尔排序都是 不稳定的；

 

算法的时间复杂度

一、 时间复杂度定义

定义：如果一个问题的规模是n，解这一问题的某一算法所需要的时间为T(n)，它是n的某一函数T(n)称为这一算法的“时间复杂性”。

当输入量n逐渐加大时，时间复杂性的极限情形称为算法的“渐近时间复杂性”。

二、大O表示法

我们常用大O表示法表示时间复杂性，注意它是某一个算法的时间复杂性。大O表示只是说有上界，由定义如果f(n)=O(n)，那显然成立f(n)=O(n^2)，它给你一个上界，但并不是上确界，但人们在表示的时候一般都习惯表示前者。此外，一个问题本身也有它的复杂性，如果某个算法的复杂性到达了这个问题复杂性的下界，那就称这样的算法是最佳算法。

“大O记法" :在这种描述中使用的基本参数是n，即问题实例的规模，把复杂性或运行时间表达为n的函数。这里的“O”表示量级(order)，比如说“二分检索是O(logn)的”,也就是说它需要“通过logn量级的步骤去检索一个规模为n的数组”记法O ( f(n) )表示当n增大时，运行时间至多将以正比于f(n)的速度增长。

这种渐进估计对算法的理论分析和大致比较是非常有价值的，但在实践中细节也可能造成差异。例如，一个低附加代价的O(n2)算法在n较小的情况下可能比一个高附加代价的O(nlogn)算法运行得更快。当然，随着n足够大以后，具有较慢上升函数的算法必然工作得更快。

O(1)
Temp=i;i=j;j=temp;                     
以上三条单个语句的频度均为1，该程序段的执行时间是一个与问题规模n无关的常数。算法的时间复杂度为常数阶，记作T(n)=O(1)。如果算法的执行时间不随着问题规模n的增加而增长，即使算法中有上千条语句，其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)。

O(n^2)
2.1.交换i和j的内容
     sum=0；                （一次）
     for(i=1;i<=n;i++)      （n次）
        for(j=1;j<=n;j++)（n^2次）
          sum++；       （n^2次）
解：T(n)=2n^2+n+1 =O(n^2)

2.2.   
    for (i=1;i<n;i++)
    {
        y=y+1;        ①   
        for (j=0;j<=(2*n);j++)    
           x++;        ②      
    }          
解：  语句1的频度是n-1
         语句2的频度是(n-1)*(2n+1)=2n^2-n-1
          f(n)=2n^2-n-1+(n-1)=2n^2-2
         该程序的时间复杂度T(n)=O(n^2).         

O(n)                                                           
2.3.
    a=0;
    b=1;                     ①
    for (i=1;i<=n;i++)②
    {  
      s=a+b;　　　　③
       b=a;　　　　　④  
       a=s;　　　　　⑤
    }
解：  语句1的频度：2,        
          语句2的频度：n,        
         语句3的频度：n-1,        
         语句4的频度：n-1,    
         语句5的频度：n-1,                                  
          T(n)=2+n+3(n-1)=4n-1=O(n).

 O(log2n )
2.4.
     i=1;       ①
    while (i<=n)
       i=i*2;②
解：语句1的频度是1,  
         设语句2的频度是f(n),  则：2^f(n)<=n;f(n)<=log2n    
         取最大值f(n)= log2n,
          T(n)=O(log2n )
O(n^3)
2.5.
    for(i=0;i<n;i++)
    {  
       for(j=0;j<i;j++)  
       {
          for(k=0;k<j;k++)
             x=x+2;  
       }
    }
解：当i=m, j=k的时候,内层循环的次数为k当i=m时, j可以取0,1,...,m-1 ,  所以这里最内循环共进行了0+1+...+m-1=(m-1)m/2次所以,i从0取到n,则循环共进行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以时间复杂度为O(n^3).
                                   

我们还应该区分算法的最坏情况的行为和期望行为。

如快速排序的最坏情况运行时间是O(n^2)，但期望时间是O(nlogn)。通过每次都仔细地选择基准值，我们有可能把平方情况(即O(n^2)情况)的概率减小到几乎等于0。在实际中，精心实现的快速排序一般都能以(O(nlogn)时间运行。