算法时间复杂度分析

时间复杂度基本概念

算法的时间复杂度，用来度量算法的运行时间，记作: T(n) = O(f(n))。它表示随着 输入大小n 的增大，算法执行需要的时间的增长速度可以用 f(n) 来描述。

时间复杂度分析方法

1、只关注循环次数执行最多的一段的代码

int cal(int n){
        int sum = 0;
        for (int i = 1; i < n; i++) {
            sum = sum + i;
        }
        return sum;
    }

观察上述代码，因为赋值语句和返回语句都是常量级执行时间，与n是无关的，对于时间复杂度没什么影响；因此主要关心循环中的语句，发现循环执行n次，所以此段代码时间复杂度为：O(n)

2、嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

    int cal2(int n){
        int sum = 0;
        for (int i = 1; i < n; i++) {
            for (int j = 1; j < n; j++) {
                sum = sum + i * j;
            }
        }
        return sum;
    }

观察代码不难发现，题目中两个for循环，每个循环的复杂度为O(n)，因为嵌套代码复杂度等于各自复杂度相乘，所以该段代码时间复杂度为O(n^2)

3、总复杂度等于最高阶项的复杂度

    int cal3(int n){
        int sum_1 = 0;
        for (int p = 1; p < 100; p++) {
            sum_1 = sum_1 + p;
        }
        int sum_2 = 0;
        for (int q = 1; q < n; q++) {
            sum_2 = sum_2 + q;
        }
        int sum_3 = 0;
        for (int i = 1; i < n; i++) {
            for (int j = 1; j < n; j++) {
                sum_3 = sum_3 + i * j;
            }
        }
        return sum_1 + sum_2 + sum_3;
    }

sum_1下的循环，循环次数为100，因此是常量级执行时间，可以忽略不计；依次可以发现sum_2为O(n)，sum_3为O(n^2)；总时间复杂度：O(n^2 + n + 100) = O(n^2)

推导大O阶要点：

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。

比如

T(n) = 999 ，此时时间复杂度为 O(1)
T(n) = n^2 + 100，此时时间复杂度为 O(n^2)。

T(n) = 7n^3 + 4n^2 + 29，此时时间复杂度为 O(n^3)。

常见时间复杂度 

数量级	名称	承受规模	常见算法
O(1)	常数阶	任意	直接输出结果
O(n)	线性阶	以百万计（五六百万）	贪心算法、扫描和遍历
O(n²)	平方阶	以千计数（两千）	枚举、动态规划
O(logn)	对数阶	任意	二分查找、快速幂
O(nlogn)	线性对数阶	以十万计（三四十万）	带有分治思想的算法，如二分法
O(n³)	立方阶	不到两百	动态规划
O()	指数阶	24	搜索
O(n!)	阶乘阶	10	产生全排列

从小到大依次是：O(1)<o(logn)<O(n)< O(nlogn)< O()<O()<O()<O(n!)

注意：在工程算法实践中，算法时间复杂度达到O()，一般都没有什么意义了，要考虑优化算法； O()、O(n!)和O()时间复杂度问题称为多项式复杂程度的非确定性问题，简称NP.

 补充

算法时间时间复杂度不止用一个数据规模表示，也有可能用两个或者多个数据规模来表示，列如下面代码：

    int mnCal(int m, int n){
        int sum_1 = 0;
        for (int i = 0; i < m; i++) {
            sum_1 = sum_1 + 1;
        }
        int sum_2 = 0;
        for (int j = 0; j < n; j++) {
            sum_2 = sum_2 + j;
        }
        return sum_1 + sum_2;
    }

可以看出，sum_1下的复杂度为O(m)，sum_2下的复杂度为O(n),因此总时间复杂度：O(m + n).