计算时间复杂度~

        最近在刷题准备校招，总是碰到计算时间复杂度的题，总是迷糊。今天就总结一下吧~可能会比较乱，因为是按照我以后能看懂的方式总结的~hh

一、概念

        首先我们先了解一下两个概念：一个是时间复杂度，一个是渐近时间复杂度。

        前者是某个算法的时间耗费，它是该算法所求解问题规模n的函数，而后者是指当问题规模趋向无穷大时，该算法时间复杂度的数量级。

        当我们评价一个算法的时间性能时，主要标准就是算法的渐近时间复杂度，因此，在算法分析时，往往对两者不予区分，经常是将渐近时间复杂度T(n)=O(f(n))简称为时间复杂度，其中的f(n)一般是算法中频度最大的语句频度。

        此外，算法中语句的频度不仅与问题规模有关，还与输入实例中各元素的取值相关。但是我们总是考虑在最坏的情况下的时间复杂度。以保证算法的运行时间不会比它更长。

二、简单的时间复杂度计算例题

       时间复杂度是总运算次数表达式中受n的变化影响最大的那一项(不含系数) 。

       接下来看一下简单的例题：

(1) for(i=1;i<=n;i++)   
            for(j=1;j<=n;j++)
                 s++;   //循环了n*n次，当然是O(n^2)
(2) for(i=1;i<=n;i++)
            for(j=i;j<=n;j++)
                 s++;   //循环了(n+n-1+n-2+...+1)≈(n^2)/2，因为时间复杂度是不考虑系数的，所以也是O(n^2)
(3) for(i=1;i<=n;i++)
            for(j=1;j<=i;j++)
                 s++;   //循环了(1+2+3+...+n)≈(n^2)/2,当然也是O(n^2)
(4) i=1;k=0; 
            while(i<=n-1){
                 k+=10*i;
                 i++; }   //循环了n-1≈n次，所以是O(n)
(5) for(i=1;i<=n;i++)
            for(j=1;j<=i;j++)              
                 for(k=1;k<=j;k++)                    
                       x=x+1;   //循环了(1^2+2^2+3^2+...+n^2)=n(n+1)(2n+1)/6≈(n^3)/3，不考虑系数，自然是O(n^3)
（6）交换i和j的内容
     sum=0；                 （一次）
     for(i=1;i<=n;i++)       （n次 ）
        for(j=1;j<=n;j++) （n^2次 ）
         sum++；       （n^2次 ）   //T(n)=2n^2+n+1 =O(n^2)

（7）for (i=1;i<n;i++)
    {
        y=y+1;         ①   
        for (j=0;j<=(2*n);j++)    
           x++;        ②      
    }         // 语句1的频度是n-1
                 语句2的频度是(n-1)*(2n+1)=2n^2-n-1
                 f(n)=2n^2-n-1+(n-1)=2n^2-2
                 该程序的时间复杂度T(n)=O(n^2).       
    注意：
        在时间复杂度中，log(2,n)(以2为底)与lg(n)(以10为底)是等价的，因为对数换底公式：
             log(a,b)=log(c,b)/log(c,a)
        所以，log(2,n)=log(2,10)*lg(n),忽略掉系数，二者当然是等价的       
       
        一般情况下，算法的基本操作重复执行的次数是模块n的某一个函数f（n），因此，算法的时间复杂度记做：T（n）=O（f（n））。随着模块n的增大，算法执行的时间的增长率和f（n）的增长率成正比，所以f（n）越小，算法的时间复杂度越低，算法的效率越高。
        在计算时间复杂度的时候，先找出算法的基本操作，然后根据相应的各语句确定它的执行次数，再找出T（n）的同数量级（它的同数量级有以下：1，Log2n ，n ，nLog2n ，n的平方，n的三次方，2的n次方，n！），找出后，f（n）=该数量级，若T(n)/f(n)求极限可得到一常数c，则时间复杂度T（n）=O（f（n））。

      例如：

 for（i=1;i<=n;++i）
  {
     for(j=1;j<=n;++j)
     {
         c[ i ][ j ]=0; //该步骤属于基本操作 执行次数：n^2
          for(k=1;k<=n;++k)
               c[ i ][ j ]+=a[ i ][ k ]*b[ k ][ j ]; //该步骤属于基本操作 执行次数：n^3
     }
  }
  则有 T（n）= n^2+n^3，根据上面括号里的同数量级，我们可以确定 n^3为T（n）的同数量级
  则有f（n）= n^3，然后根据T（n）/f（n）求极限可得到常数c
  则该算法的 时间复杂度：T（n）=O（n^3)

三、 常见的时间复杂度      

O(1): 表示算法的运行时间为常量

O(n): 表示该算法是线性算法

O(㏒2n): 二分查找算法

O(n2): 对数组进行排序的各种简单算法，例如直接插入排序的算法。

O(n3): 做两个n阶矩阵的乘法运算

O(2n): 求具有n个元素集合的所有子集的算法

O(n!): 求具有N个元素的全排列的算法

        按数量级递增排列依次为：常数阶O(1)、对数阶O(log2n)、线性阶O(n)、线性对数阶O(nlog2n)、平方阶O(n^2)、立方阶O(n^3)、k次方阶O(n^k)、指数阶O(2^n)。

        其中：

        1、O(n)，O(n^2)， 立方阶O(n^3),...， k次方阶O(n^k) 为多项式阶时间复杂度，分别称为一阶时间复杂度，二阶时间复杂度

        2、O(2^n)，指数阶时间复杂度，该种不实用

        3、对数阶O(log2n), 线性对数阶O(nlog2n)，除了常数阶以外，该种效率最高