算法的效率---时间复杂度

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)