【数据结构导论】——时间复杂度集结号

【背景】

     从《数据结构导论》的一开始，就有时间复杂度的介绍，在后面的学习中，每个算法几乎都会带有时间复杂度的分析，一个算法的时间性能（或时间效率）是评价算法好坏的因素之一，下面让我们来认识一下时间复杂度吧。

【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。

【计算步骤】

       1、计算出算法的基本操作的执行次数T(n)（计算量）

            基本操作是指算法中的每条语句（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)进行这样一些操作： 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表示法来表示时间复杂度

              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))。

【实例分析】

     

<span style="font-family:KaiTi_GB2312;font-size:18px;">int num1,num2;
for (int i =0;i<n;i++){
      num1 + =1;
      for(int j =1;j<=n;j * =2){
            num2+=num1;
 }
}</span>

分析：

     1、

      T(n) = 2 *1 +4*n+3* n *log₂n

 2、

   忽略掉常量、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

   经分析可知，当n趋向于无穷大时，1/n趋向于0,1/log2n趋向于0，所以lim(T(n)/f(n))=3，T(n) = O(n*log2n)。

   所以可以认为：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。

【简化的计算步骤】

  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表示结果

 根据上述算法，我们再来分析：

  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);

【经验汇总】

       复杂度与时间效率的关系：
                              c < log2n < n < n*log2n < n2 < n3 < 2n < 3n < n! （c是一个常量）
                              |--------------------------|--------------------------|-------------|
                                      较好                     一般              较差
    其中c是一个常量，如果一个算法的复杂度为c 、 log2n 、n 、 n*log2n,那么这个算法时间效率比较高 ，如果是 2n , 3n ,n!,那么稍微大一些的n就会令这个算法不能动了，居于中间的几个则差强人意。

   

【更多例子】

       1、O(1)
            ---------交换i和j的内容

temp=i;
i=j;
j=temp;     

    分析： 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)。

      2、O(n)

          

 a=0;
   b=1;                     ①
   for (i=1;i<=n;i++) ②
   {  
      s=a+b;　　　　③
      b=a;　　　　　④  
      a=s;　　　　　⑤
   }

 分析： 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).     

3、O(log2n)

     

 i=1;       ①
   while (i<=n)
      i=i*2; ②

  分析：语句1的频度是1,  设语句2的频度是t,  则：nt<=n;  t<=log2，考虑最坏情况，取最大值t=log2n,
            T(n) = 1 + log2n，f(n) = log2n
             lim(T(n)/f(n)) = 1/log2n + 1 = 1
            T(n) = O(log2n)

4、O(n2)  -------(冒泡、直接选择排序算法)

【总结】

      以前觉得时间复杂度很难学，现在看来只有真正去做了，才发现其实并没有想象中的那么难。先去了解，慢慢发现它的简单和有趣~~啦啦