时间复杂度详解+例题分析

目录

导语简言

1.what-什么是时间复杂度

2.How-如何表示时间复杂度--大O表示法

概念

表达式推导

3.example-例题解析

---

导语简言

1.算法时间复杂度：算法执行时间与算法的语句执行次数成正比，算法中基本操作语句的执行次数的数量级模型，就是渐进时间复杂度，简称时间复杂度。

2.大O表示法：O(f(n)=T(n),它表示随问题规模n的增大，算法的执行时间增长率和f(n)增长率成正比，这称作算法的渐进时间复杂度。用极限的概念，突出时间增长率的决定因素，简化出阶数模型，略去系数等非主要因素，来表述渐进时间复杂度。

3.example简单例题，分析不同阶数的复杂度。

一道题快速完成大O表示的分析过程（1.归纳语句执行次数的最高数量阶，2.略去系数）

T(n)---f(n)---O(f(n))  大O去常数，凸显级数

public void On(int num){
        int i=0;
        while (i<num){
            i+=2;
        }
    }

T(n) = n/2 +1 (while块的语句执行 num/2次，再加上while外面的语句)

f(n) = n/2  (当n趋于无穷大，常数次没有影响了，可忽略)

大O去系数 O(n)

1.what-什么是时间复杂度

通俗说--时间复杂度是 一个通过定性描述算法语句执行次数，来预估算法运行时间的函数，自变量为-问题规模n。

描述出语句执行次数的函数关系，略去常系数就是时间复杂度了

表示算法执行效率

描述 算法的执行时间 与  输入值 之间的关系

定义：

算法中基本语句重复执行次数是问题规模n的某个函数T(n)=O(f(n)),它表示随着n的增大，算法执行的时间的增长率和f(n)的增长率相同，称 渐近时间复杂度，简称时间复杂度。

解释：

设计算法时需要考虑两个方面

• 时间资源消耗
• 空间资源占用

然而大部分情况下，两种资源消耗量是负相关的，什么空间换时间，时间换空间之类的 ，所以我们设计算法时需要找到一个平衡点，就是性价比最高的点。性（时间效率）/价（空间资源）。

我们为什么需要时间复杂度呢？

要想知道一个算法的运行时间，我们首先想到的是把算法实现出来，运行一遍，查看使用时间，这就是事后统计法。

这种方式首先是得在算法实现后才能知道，如果不合适，还得重写，非常浪费人力成本，木已成舟，意义几乎没有。

再者，算法实际运行使用时间，受机器配置性能的影响，其结果不适合，作为普适数据判定算法。综上两点来说，事后统计法不太合适。

我们要的就是在设计阶段，能够通过一种规则，判断出算法的时间使用情况，并且结果不受具体机器限制，进而能够指导后续算法设计。这就是我们需要的-事前分析估计法。

所以

时间复杂度，就是适应上述要求，在忽略具体机器配置和性能差异，假设运行在理想模型的情况下，判断出算法时间消耗的方法。

理想模型，非数学莫属了

所以时间复杂度从定义上来说，就是一个以问题规模n为自变量，时间消耗为应变量的函数模型。而且结果不要求细致的表示时间，只要求大体级数表示就好。

那结果表示上尽量忽略细节，抽象出简洁模型，要不然一长串的自变量表达式也不太合适呀，所以就需要一定的表示规则来表示最后的时间复杂度结果。

作为一个普遍使用的工具，时间复杂度的表示也必须有共识性的统一规定了，下面介绍具体时间复杂度的表示方法。

2.How-如何表示时间复杂度--大O表示法

概念

大O表示法的字母O代表order（阶数），用大O符号描述函数通常只提供函数增长率的一个上界。称作 算法的渐进时间复杂度，简称为时间复杂度。

时间复杂度因其高抽象性，只作为阶数表示，其量级表示比较固定，常见的有以下几种。

• 常数阶O(1)
• 对数阶O(logN)
• 线性阶O(n)
• 线性对数阶O(nlogN)
• 平方阶O(n²)
• 立方阶O(n³)
• K次方阶O(n^k)
• 指数阶(2^n)

从上至下依次的时间复杂度越来越大，执行的效率越来越低。

表达式推导

我们回到问题初衷，为了分析估计算法执行所用的时间。

假设在理想模型上，执行一次简单语句的时间相同，为单位时间,那么算法的总时间就是

算法运行时间= 语句执行次数×语句执行一次的时间

除了一般顺序流程里面的每条语句一次，这种简单实现之外，大部分算法可能可能会用到循环，递归等实现，这样的话，算法内的语句执行次数，也是一个随着问题规模n变化的函数，记作T(n)。

进而分析T(n)随n的变化，确定T(n)的数量级。

每条语句执行的单位时间为常数，我们不必去关心，我们只需要确定执行次数T(n)的数量级模型，

也就能确定算法时间的数量级模型。

算法的渐进时间复杂度可以表示为

O(f(n)) = T(n)

T(n)是语句的执行次数，f(n)是T(n)的渐进函数，也是问题规模n的一个函数，O表示正比例关系

可以理解为大O表示的渐进时间复杂度就是对于T(n)的数量级模型表示。

关于f(n)的说明，

当n趋于无穷大时，存在T(n)的渐进函数T(n)/f(n) = C(常数)

O-order数量级表示，O(f(n))=C*f(n)=T(n)

例如

T(n)= 5n^{3}+3n^{2}+n+6

f(n) = n^{3}

当n区域无穷大时，T(n)/f(n) = 5，5f(n) = O(f(n)) = T(n)

渐进时间复杂度为 O(n^3^)

3.example-例题解析

O(1)--输入值作为值运算，不影响语句执行次数

public void O1(int num){
        int copy = num;
        int product = num*2;
        System.out.println(copy+product);
    }

O(log n)--2^f(n)^=T(n) f(n) = log~2~n   T(n) = O(log n)

public void OlogN(int num){
        int count = 0;
        for (int i=1;i<num;i=i*2){
            count++;
        }
        System.out.println(count);
    }

O(n)

public void ON(int num){
        int count = 0;
        for (int i=0;i<num;i++){
            count++;
        }
        System.out.println(count);
    }

O(nlogn)

public void ONlogn(int num){
        int count = 0;
        for (int i=0;i<num;i++){
            for(int j=1;j<num;j=j*2){
                count++;
            }
        }
        System.out.println(count);
    }

O(n²)

public void ONn(int num){
        int count = 0;
        for (int i=0;i<num;i++){
            for(int j=0;j<num;j++){
                count++;
            }
        }
        System.out.println(count);
    }

例题

1. O(1)  虽然n会影响语句执行的次数，但是 是在常数有限范围内影响的，没有无限的增长关系

public void Oc(int n){
        int i=10;
        int k=100;
        do{
            if (i<n){
                break;
            }
            i++;
        }while (i<k);
        System.out.println(i);
    }

2.O(n^{1/3})

public void Onk(int n){
        int y=0;
        while (y*y*y <=n){
            y++;
        }
    }