数据结构心得1：时间复杂度

数据结构心得1：时间复杂度

最近要考数据结构了，整理一波心得当作复习吧。时间复杂度这个概念对于一些同学来说，还是有一些难度的，那我就讲一讲的认识的时间复杂度吧。

---

本文主要分为以下三个部分：
1.时间复杂度
2.时间复杂度计算举例
3.几种排序算法的时间复杂度

---

1.时间复杂度

什么是时间复杂度？比如说，现在有一个算法，你想评价它运算需要耗费的时间，这个时候上机跑一遍肯定不太实际，而且不同的机器跑的速度也会不一样，所以为了去评价算法运算的时间，就引出了时间复杂度的概念。
1)时间频度
算法需要花费的时间，和它语句执行的次数是成正比例的，因此把一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
2)时间复杂度
在上面提到的时间频度T(n)中，n是指算法的规模，n不断的变化，T(n)就会不断的变化，为了衡量T（n）随n的变化规律，引入了时间复杂度的概念。

什么是时间复杂度，从数学的角度给出定义：算法中某个函数有n次基本操作重复执行，用T(n)表示，现在有某个辅助函数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，简称时间复杂度（我们都学过高数，我高数72都能看懂，相信大家都能理解这段话）。

简要的说，就是找一个与T（n）同一数量级的函数f（n），然后写成O（f（n））就ok了。
3)时间复杂度计算
简单的说，时间复杂度O是总运算次数T（n）表达式中受n的变化影响最大的那一项。举个例子： T(n) = n^3+n^2+n+23，那么它的时间复杂度就是O(n^3)。

2.时间复杂度计算举例

1）O（1）

Eg1：
c = b;//执行1次 
b = a;//执行1次
a = c;//执行1次

所以T（n）= 3 = O（1）。
注意：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)。

Eg2：
x=91; 
y=100;
while(y>0) ｛
    if(x>100) 
    {
        x=x-10;
        y--;
    } 
    else x++;
｝

T（n） = O（1）。
循环次数此时已定，时间复杂度是O（1）。
注意：一个函数调用或是一组语句都认为是O(1)的复杂度(如果没有调用不包含循环，递归或其他非常量复杂度的函数)。如果循环的次数是一个常量，则也认为是 O(1)。

2）O（n^c）

Eg1:
for (int i = 1; i <= n; i += c) {//执行n次
    for (int j = 1; j <= n; j += c) {//执行n^2次
        a += 1；//执行n^2次
     }
 }

T(n) = n + n^2 +n^2 = O（n^2）

Eg2:
a = 0;//执行1次
b = 1;//执行1次               
for (i = 1;i <= n;i ++) {//执行n次   
    s=a+b;//执行n-1次   　　　　
    b = a;//执行n-1次   　　　　　  
    a = s;//执行n-1次   　　　　　
}  

T(n) = 2 + n + 3 * (n - 1) = O(n)
嵌套循环的时间复杂度等于行最内层语句执行的次数。

3）O（logc n）

Eg1:
for (int i = 1; i <= n; i *= c) {//设频度为f（n）
          a = a + 1;
}

设for语句中，i *= c的频度为f（n），那么c^f(n) <= n，也就是说，最多执行n次，所以f（n） = logc n，所以O（logc n）

对于for中有除法的，也是一样的存在。

Eg2:
for (int i = n; i > 0; i /= c) {
          a = a + 1;
}

同样是O(logc n)。
注意：如果在一个大小为n循环中，循环变量按照一个常量C的进行倍数的递增或递减，这个循环的复杂度就为O(logc n)。

最后附上一个大佬分享的经验规律：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。https://www.cnblogs.com/suiying/p/4748490.html

3.几种排序算法的时间复杂度