一.时间复杂度定义
时间复杂度的定义:在计算机科学中,算法的时间复杂度是一个函数,它定量描述了该算法的运行时间,一个算法执行所消耗的时间,从理论上说,是不能算出来的,只有你把你的程序放在机器上跑起来,才能知道,但是我们需要每个算法都要上机测试吗?是可以都上机测试,但是这很麻烦,所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例,算法的基本执行次数,为算法的时间复杂度。
即:找到某条基本语句与问题规模N之间的数学表达式,就是算出了该算法的时间复杂度。
二. 实例
实例一.
显然F(N)= NN+2N+M
第一个for循环嵌套第二个循环,执行了NN次,第三个for循环2N次,最后while循环执行了M次。
最终该例子时间复杂度为O(N)
为什么?
三. 复杂度的大O渐近表示法
- 大O符号:是用于描述函数渐进行为的数学符号。
- 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,只有保留最高阶的项。
- 3.如果最高阶项存在且系数不是1,则去除与这个项目相乘的常数,得到的结果就是大O阶。
案例二.
时间复杂度O(M+N)
- 当问题规模不知一个未知数是,要讨论M,N的大小关系。
-
- 如果M>>N,N就是常数可以忽略,此时时间复杂度就是O(M)。
-
- 如果N>>M,M就是常数可以忽略,此时时间复杂度就是O(N)。
-
- 如果M既不远大于N,N又不远大于M,那么此时复杂度就得两个字母表示,即O(M+N)。
实例三.
时间复杂度O(1),此题执行了常数次与问题规模N无关
三.
-
但是有些算法存在好几种情况:
-
- 最坏情况:任意输入规模的最大运行次数(上界)
-
- 平均情况:输入任意规模的期望运行次数
-
- 最好情况:任意输入规模的最小运行次数(下界)
那实际中我们一般关注的是算法的最坏运行情况,是保守的情况。
实例四.
冒泡排序的时间复杂度即最坏情况:O(N*N)
- 最好情况:一趟即常数次O(1)。
- 平均情况:找N-1/2趟,第一趟N-1次,第二趟N-2次,等差数列,即(N-1+N-1/2)(N-1-N-1/2)/2 = NN/2.
- 最坏情况:找n-1趟,即等差数列求和,第一趟N-1次,到最后一趟1次,求和最终答案O(N*N)。
实例五.
时间复杂度即最坏情况:O(N)
该算法是left从左往右找比目标值大的数,而right找比目标值小的数,找到即停止,将a【left】与a【right】交换,确保比目标值小的数在左边,比目标值大的在右边。
**最坏left从左边一直找到与从右边一直找过来的right重合,共遍历了数组一遍,即N次所以时间复杂度O(N)。