如何计算算法的时间复杂度

时间复杂度的定义

一般情况下，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，用T(n)表示，
若有某个辅助函数f(n)，使得当n趋近于无穷大时，T(n)/f(n)的极限值为不等于零
的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n))，称O(f(n))为算法的渐进
时间复杂度(O是数量级的符号 )，简称时间复杂度。

根据定义，可以归纳出基本的计算步骤

1. 计算出基本操作的执行次数T(n)
   基本操作即算法中的每条语句（以;号作为分割），语句的执行次数也叫做语句的频度。在做算法分析时，一般默认为考虑最坏的情况。

2. 计算出T(n)的数量级
   求T(n)的数量级，只要将T(n)进行如下一些操作：
   忽略常量、低次幂和最高次幂的系数

   令f(n)=T(n)的数量级。

3. 用大O来表示时间复杂度
   当n趋近于无穷大时，如果lim(T(n)/f(n))的值为不等于0的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n))。

一个示例：

(1) int num1, num2;
(2) for(int i = 0; i < n; i++){ 
(3)     num1 += 1;
(4)     for(int j=1; j<=n; j*=2){ 
(5)         num2 += num1;
(6)     }
(7) } 

分析：
1.
语句int num1, num2;的频度为1；
语句i=0;的频度为1；
语句i < n; i++; num1 += 1; j = 1; 的频度为n；
语句j<=n; j *= 2; num2 += num1;的频度为n*log2n；
T(n) = 2 + 4n + 3n*log2n

2.
忽略掉T(n)中的常量、低次幂和最高次幂的系数
f(n) = n*log2n

3.
lim(T(n)/f(n)) = (2+4n+3n*log2n) / (n*log2n)
= 2*(1/n)(1/log2n) + 4(1/log2n) + 3

当n趋向于无穷大，1/n趋向于0，1/log2n趋向于0
所以极限等于3。

T(n) = O(n*log2n)

简化的计算步骤

再来分析一下，可以看出，决定算法复杂度的是执行次数最多的语句，这里是num2 += num1，一般也是最内循环的语句。

并且，通常将求解极限是否为常量也省略掉？

于是，以上步骤可以简化为：

1. 找到执行次数最多的语句 
2. 计算语句执行次数的数量级
3. 用大O来表示结果 

继续以上述算法为例，进行分析：
1.
执行次数最多的语句为num2 += num1

2.
T(n) = n*log2n
f(n) = n*log2n

3.
// lim(T(n)/f(n)) = 1
T(n) = O(n*log2n)

---

复杂情况的分析

以上都是对于单个嵌套循环的情况进行分析，但实际上还可能有其他的情况，下面将例举说明。

1.并列循环的复杂度分析
将各个嵌套循环的时间复杂度相加。

例如：

for (i=1; i<=n; i++)
　　  x++;
for (i=1; i<=n; i++)
　　  for (j=1; j<=n; j++)
　　      x++;

解：
第一个for循环
T(n) = n
f(n) = n
时间复杂度为Ο(n)

第二个for循环
T(n) = n2
f(n) = n2
时间复杂度为Ο(n2)

整个算法的时间复杂度为Ο(n+n2) = Ο(n2)。

2.函数调用的复杂度分析
例如：

public void printsum(int count){
    int sum = 1;
    for(int i = 0; i < n; i++){
       sum += i;//执行n次
    }   
    System.out.print(sum);
}

分析：
记住，只有可运行的语句才会增加时间复杂度，因此，上面方法里的内容除了循环之外，其余的可运行语句的复杂度都是O(1)。
所以printsum的时间复杂度 = for的O(n)+O(1) = 忽略常量 = O(n)

这里其实可以运用公式 num = n*(n+1)/2，对算法进行优化，改为：
public void printsum(int count){
int sum = 1;
sum = count * (count+1)/2;
System.out.print(sum);
}
这样算法的时间复杂度将由原来的O(n)降为O(1)，大大地提高了算法的性能。

3.混合情况（多个方法调用与循环）的复杂度分析
例如：
public void suixiangMethod(int n){
printsum(n);//1.1
for(int i = 0; i < n; i++){
printsum(n); //1.2
}
for(int i = 0; i < n; i++){
for(int k = 0; k < n; k++){
System.out.print(i,k); //1.3
}
}
}
suixiangMethod 方法的时间复杂度需要计算方法体的各个成员的复杂度。
也就是1.1+1.2+1.3 = O(1)+O(n)+O(n2) —-> 忽略常数 和 非主要项 == O(n2)

---

更多的例子

O(1)
交换i和j的内容
temp=i;
i=j;
j=temp;

以上三条单个语句的频度为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(n2)
sum=0； /* 执行次数1 */
for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
sum++； /* 执行次数n2 */
解：T(n) = 1 + n2 = O(n2)

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) = 2n2-n-1
T(n) = 2n2-n-1+(n-1) = 2n2-2
f(n) = n2
lim(T(n)/f(n)) = 2 + 2*(1/n2) = 2
T(n) = O(n2).

O(n)

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,
语句4的频度：n,
语句5的频度：n,
T(n) = 2+4n
f(n) = n
lim(T(n)/f(n)) = 2*(1/n) + 4 = 4
T(n) = O(n).

O(log2n)

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：i * 2^f(n) <= n;又i=1; 故f(n)<=log2n
考虑最坏情况，取最大值f(n)=log2n,
T(n) = 1 + log2n
f(n) = log2n
lim(T(n)/f(n)) = 1/log2n + 1 = 1
T(n) = O(log2n)

O(n3)
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)/2次
T(n) = n(n+1)(n-1)/2 = (n3-n)/2
f(n) = n3
所以时间复杂度为O(n3)。

转自http://univasity.iteye.com/blog/1164707

递归树法：

用递归树法求T(n) = T(n/2) + n2 , 用递归树法将该递归式展开

像这样将递归树展开并延伸下去，最终到叶子节点就只剩下T(1)，那么该递归树的高度就是logn，因为从顶点n出发，到n/2,到n/4,……最后到1，那么从n到1的折半次数是logn，即高度是logn（假设高度h，由（n/(2^h)）^2 = 1得到h=lgn）。而最下面叶子节点的数目是n，因为从第一层往下，节点数变化为1,2,4,8……，如果树的高度是h，那么就会有2^h个叶节点，而高度是logn，那么2^logn=n。那么，整体所做的工作加起来就是T(n)了
T(n) = [1+1/2+1/4+……+1/(2^lgn)]n2 = 2*n^2 - n,于是可知时间复杂度为T(n) = O(n2)。

参考：http://m.blog.csdn.net/blog/zhangxiao26/20552219