2.9 算法的时间复杂度
2.9.1 算法时间复杂度定义
在进行算法分析时,语句总的执行次数T(n)是关键问题规模n的函数,进而分析T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度,记作: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,称作算法渐进时间复杂度,简称为时间复杂度。其中f(n)是时间规模n的某个函数。
一般情况下,随着n的增大,T(n)增长最慢的算法为最优算法。
显然,由此算法时间复杂度的定义可知,我们三个求和算法的时间复杂的分别为O(n)、O(1)、O(n^2).我们分别取名为:
O(1):常数阶 O(n):线性阶 O(n^2):平方阶
2.9.2 推导大O阶方法
推导大O阶:
1.用常数1取代运行时间中的所有加法常数;
2.在修改后的运行次数函数中,只保留最高阶项;
3.如果最高阶项存在且不是1,则去除与这个项相乘的常数;
得到的结果就是大O阶。
常数阶:
首先顺序结构的时间复杂度。下面这个算法,为什么时间复杂度不是O(3),而是O(1)。
int i, sum=0,n=100; /*执行一次*/
sum = (1+n)*n/2; /*执行一次*/
printf("%d",sum); /*执行一次*/
这个算法的运行次数函数是f(n)=3. 根据我们推到大O阶的方法,第一步就是把常数项3改为1。在保留最高阶项时发现,它根本没有最高阶项,所以这个算法的时间复杂度是O(1).
另外,我们试想一下,如果这个算法当中的语句sum=(1+n)*n/2有7句,即:
int i, sum=0,n=100; /*执行一次*/ sum = (1+n)*n/2; /*执行第1次*/
sum = (1+n)*n/2; /*执行第2次*/
sum = (1+n)*n/2; /*执行第3次*/
sum = (1+n)*n/2; /*执行第4次*/
sum = (1+n)*n/2; /*执行第5次*/
sum = (1+n)*n/2; /*执行第6次*/
sum = (1+n)*n/2; /*执行第7次*/
sum = (1+n)*n/2; /*执行一次*/printf("%d",sum); /*执行一次*/
事实上无论n为多少,上面的两段代码就是3次和9次执行的差异,这样与n多少无关的,执行时间恒定的算法,我们称之为具有O(1)的时间复杂度,又称为常数阶。
【注意:不管这个常数是多少,我们都记做O(1),而不是O(3)、O(9)等其他任何数字。】
线性阶
我们要分析算法的复杂度,关键就是要分析循环结构的运行情况。
下面我们来看这段代码,它的循环的时间复杂度为O(n),因为循环体中代码须要执行n次。
int i; for (i=0;i<n;i++) { .... }
对数阶看下面代码的时间复杂度又是多少?
int count=1; while(count<0) { count =count*2; }
由于每次count乘以2之后,就距离n更近一分。也就是说,有多少个2相乘后大于n,则会退出循环。由2^x=n 得到x=log2n.所以这个循环的时间复杂度为O(logn)。平方阶
下面例子是一个循环嵌套,它的内循环刚才我们已经分析过,时间复杂度为O(n)
int i ,j; for(i=0; i<n; i++) { for(j=0;j<n;j++) { } }
而对于外层的循环,不过是内部这个时间复杂度为O(n)的语句,再循环n次。所以这段代码的时间复杂度为O(n^2)如果外循环的循环次数改为m,时间复杂度就变为O(m*n),所以我们总结得出,循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数。
那么下面的循环嵌套,它的时间复杂度是多少?
int i,j; for(i=0;i<n ;i++) { for(j=i;j<n;j++) //注意:j=i 而不是0 { } }
由于当i=0时,内循环执行了n次,当i=1时,执行了n-1次,......当i=n-1时,执行了1次。所以总的执行次数为:n+(n-1)+(n-2)+......+1=n(n+1)/2=(n^2)/2+n/2
用我们推导大O阶的方法,第一条,没有加法常数不予考虑;
第二条,只保留最高阶项,因此保留(n^2)/2;
第三条,去除这个项的相乘常数,即/2,最终这段代码的时间复杂度为O(n^2)
我们继续看例子,对于方法调用的时间复杂度又如何分析:
int i ,j; for (i=0; i<n;i++) { function(i); } void function(int count) { printf("count"); }
函数体是打印这个参数。其实function函数的时间复杂度是O(1),所以整体的时间复杂度为O(n).假如function是下面这样的:
void function (int count) { int j ; for(j=count; j<n; j++) { } }
事实上,这和刚才举例子的是一样的,只不过把嵌套内循环放到了函数中。最终的时间复杂度是O(n^2)下面这段相对复杂的语句:
n++; function(n); int i,j; for(i=0; i<n; i++) { function(i); } for(i=0; i<n; i++) { for(j=i; i<n; j++) { } }
它的执行次数 f(n)=1+n+n^2+n(n+1)/2=3/2(n^2)+3/2(n)+1 根据推导O阶的方法,最终这段代码的时间复杂度也是O(n^2)2.10 常见的时间复杂度
执行次数函数 | 阶 | 非正常术语 |
12 | O(1) | 常数阶 |
2n+3 | O(n) | 线性阶 |
3n^2+2n+1 | O(n^2) | 平方阶 |
5log2n+20 | O(logn) | 对数阶 |
2n+3nlog2n+19 | O(nlogn) | nlogn阶 |
6n^3+2n^2+3n | O(n^3) | 立方阶 |
2^n | O(2^n) | 指数阶 |
常用的时间复杂度所耗的时间从小到大依次是:
O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(2^n)<O(n!)<O(n^n)