时间复杂度
- 一个算法所需的运算时间通常与所解决问题的大小有关。问题规模是一个和输入有关的量,用n表示问题规模的量,通常把算法运行所需的时间T表示为n的函数,记为T(n)。当n逐渐增大时T(n)的极限情况,一般简称为时间复杂度。
- 当讨论一个程序的运行时间时,注重的不是T(n)的具体值,而是它的增长率。T(n)的增长率与算法中数据的输入规模紧密相关,而数据输入规模往往 用算法中的某个变量的函数来表示,通常是f(n),。随着数据输入的增大,f(n)的增长率与T(n)的增长率相近,因此T(n)同f(n)在数量级上是一致的。记作:
T(n) = O(f(n))
- 注意:当T(n)为多项式时,可只取其最高次幂项并省略其系数,其他的次幂项及系数均略去不写。一般地,对于足够大的n,常用的时间复杂度的大小次序如下所示:
例1:
x=0;y=0;
for(int k = 1; k <= n; k++)
x++; //(1)执行n次
for(int i = 1; i <= n; i++)
for(int j = 1; j <= n; j++)\
y++; //执行n的平方次
本程序有两个循环体,第一个循环的时间复杂度为n,第二个循环是双重循环,其时间复杂度为n的平方,所以上面程序段的时间复杂度为:T(n)=n+n^2,则
其时间复杂度为:T(n) = O(n^2)。
例2:
i=1;
while (i <= n)
i = 2 * i; //执行f(n)次
设第3行语句(1)执行次数是f(n),则2^f(n)<=n,所以T(n)=O($log_2$n)。
例3:
void mult(int a[][N], int b[][N], int c[][N]}
{
for(i = 0; i < n; i++) //
for(j = 0; j < n; j++) //
{
c[i][j] = 0 ;
for(k = 0; k < n; k++) //
c[i][j] += a[i][k] * b[k][j];
}
}
嵌套循环为每层循环次数的乘积,因为该函数为三重循环,所以时间复杂度为O(n^3)