何谓『时间复杂度』 作为数学渣的我们怎么才能明白？

一直对算法的基础“时间复杂度” 的概念理解的不是很清楚，感觉摸棱两可，尤其遇到复杂的代码，分期时间复杂度简直就是一头雾水，现在腾出手来好好学习一下，将心得以及学习过程记录下来，供以后参考

1.名词解释：

    在计算机科学中，算法的时间复杂度（Time complexity）是一个函数，它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述，不包括这个函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是渐近的，亦即考察输入值大小趋近无穷时的情况。【来源于维基百科】

2.分析

首先，最重要的，我们都知道，算法的复杂度都是假设在最坏的情况下的运行耗费时间，并且假设每一句简单的代码的运行时间都是相同的。

public static void main(string args[]){
    int n = 100;
    for(int m = 0;m<n;m++){
        System.out.println("Hello World!");
    }
}

从总简单的循环输出Hello World来说，总共有如下几句：

蓝色框运行时间为2个时间单位；

黑色框运行时间为n+1个时间单位(因为判断了n+1次)；

红色框运行时间为n+n=2n个时间单位；

那么总体来说，这段代码运行时间就是3n+3个时间单位。运行花费的时间和我们的n成正相关。我们可以取运行总时间为T(n)，

那么T(n)=3n+3。

因为我们总考虑最坏的情况，那么当n为10000，百万，或者无穷大的时候，这个式子其实就和3没有关系了，3并不能改变n 的数量级，这个式子就可以简写为T(n)=n

大部分情况下，我们会保留最高次项并忽略该项的系数。

比如：                                                          

T(n)=n+1 忽略常数项 T(n)~n                   

T(n)=n+n^2 忽略低阶项 T(n)~n^2         

T(n)=3n 忽略最高阶的系数 T(n)~n   

忽略低阶项，简单的来说，就是忽略当n非常大的时候，一个项相对于另一个项而言，影响非常小的项。一般而言，我们记住;

O(1)<O(logN)<O(N)<O(NlogN)<O(n^2)<O(n^3)<O(1)<O(1)<O(1)<O(1)<O(1)<O(1)

话说回来，我们化简完函数后，这个式子就是程序算法的时间复杂度了，我们记为O(f(n))，f(n)就是简化后的式子，比如说刚开始我们说的T(n)=3n+3，简化后T(n)~f(n)=n，即O(n).

更准确地说O代表了运行时间函数的一个渐进上界，即T(n)在数量级上小于等于f(n)

所以时间复杂度就可以表示某个算法的运行时间的趋势，大致地度量算法效率的好坏。那我们该如何算这个时间复杂度呢？

首先，我们先得出运行时间的函数，类似于前面的3n+3，第二步就是对函数进行简化，类似于前文的得到T(n)=n。

1. 用常数1来取代运行时间中所有的加法常数
2. 在新的函数公式中只保留最高阶项
3. 如果最高阶项存在且不是1，则忽略这个项的系数

举个栗子：

int n = 100;
n = n+1;
System.out.println(n)

三句代码，每一行执行一次，单次时间为1，那么T(n)=3，简化后为1，则时间复杂度为O(1).

如果一个算法代码太多，上面这样算就显得有点傻。大部分时候我们可以耍耍小聪明。一般来说，最内部执行次数最多的语句就能决定整个算法的时间复杂度了。

for(int i = 0;i<n;i++){
    System.out.println("HelloWorld");
}

如上的for循环，我们只需要关注最内层的语句执行次数的而规律就行了。很明显，这个print语句会随着问题规模n的增加会呈线性增加，与n正相关，则可以判定时间复杂度为O(n)。

for(int i=0;i<n;i++){
    for(int j=0;j<n;j++){
        System.out.println("Hello World")
    }
}

很明显，双层for循环的时间复杂度为O(n*n).

int sum = 1;
while(sum<n){
    sum = sum*2
}

这段代码的复杂度就厉害了，是对数级别的。每循环一次，sum就自乘2，什么时候跳出循环呢？不知道，假定为x，那么2^x=n,解出x=logn。这说明随着n的增大，最消耗时间的内层语句是呈对数变化的。

 

这么一讲是不是感觉简单了很多？此篇先告一段落。