如何分析一个算法的时间复杂度

一直以来，分析一个算法的时间复杂度对我而言都是很头疼的。直到今天又拿起数据结构，总算是弄明白了。

算法的时间复杂度就是一个算法执行次数的量级，而量级就是多项式的最高次幂。假如代码的执行次数是n(n+1)/2，那最高次幂是n^2,那么多项式的量级就是n方，代码的时间复杂度就是O(n ^2)

那么如果看算法的执行次数呢？几个题就说明白了。
代码块1：

for(int i=0;i<10;i++)
	i++;

上面的代码块中，限制条件是 i<10；而 i 的初始值是0，那就执行了10次。如果将10换成n,那就是执行了n次。

代码块2：

x=1;
while(x<n/2)
x=2*x;

这道题中，x的限制条件是x<n/2。首先忽略掉 /2，因为这不影响执行的量级。执行一次，x*2，那执行三次，x=2 ^ 3。设执行次数为 t，就会有2^t<n,t=log2 N。所以时间复杂度即为O(log2 N)。

代码块3：

i=1;k=0;
while(i<n-1){
	k=k+10*x;
	i++;
}

限制条件是i<n-1，所以执行次数与k没有任何关系。i从0到n-1，一共执行了n-1次。那么时间复杂度就是O(N)。

代码块4：

int i=0;
while(i*i*i<=n)
	i++;

执行一次，i+1。而限制条件则是i^3<=n，设执行次数为t，即t ^3<=n。得t=n开三次方

需要注意的是递归函数。比如著名的斐波那契数列的时间复杂度。

函数体为：f(n)=f(n-1)+f(n-2)
假设n=5，那么f(5)=f(4)+f(3),f(4)=f(3)+f(2),f(3)=f(2)+f(1)…
很自然的可以想到二叉树。

一个节点就是一次执行。可以看到一共执行了9次。2^(n-2)+1。所以时间复杂度为2 ^n。