算法时间复杂度

一，概念：

算法： 解决问题的简单指令的集合，比如排序就有很多种，虽然作用相同，但在过程中消耗的资源和时间却会有很大的区别。因而对一种算法分析它的时间复杂度是非常重要的。
时间维度： 执行当前算法所消耗的时间，即 时间复杂度。
表示形式： 算法的时间复杂度通常用$大O符号$表述， $T[n]=O(f(n))$ 。其含义为$T(n)$受限于$f(n)$，即当$n$趋近于无穷时，$T(n)<=f(n)$，可以类比理解为数学中的无穷小，即$T(n)$是比$f(n)$高阶的无穷小量，或者两者为同阶无穷小，但不是说它们是无穷小量，只是为了更好地理解。除此之外，还有$小o符号、\Theta 符号，\Omega 符号，$也可类比理解为，高阶无穷小，同阶无穷小，低阶无穷小。

二，计算方法：

1. $若T1(n)=O(f(n)),T2=O(g(n)),则有$

• $T1(n)+T2(n)=O(f(n)+g(n))$
• $T1(n)\ast T2(n)=O(f(n)\ast g(n))$

3. 如果$T（n）是一个k次多项式，则T（n）=O（N^k）$，也就是说在计算时间复杂度时，是比较粗略的（忽略低次项和系数），只考虑最高次，但已足够。
4. 常见的算法时间复杂度由小到大依次为：
   　　$O(1)＜O(log2n)＜O(n)＜O(nlog2n)＜O(n^2)＜O(n^3)＜\dots ＜O(2^n)＜O(n!)$
5. 一般来说，普通的赋值语句，普通加法乘法（无循环，递归等），都是$O（1）；$
   一次循环— $O（n）$，2个循环嵌套—$O（n^2）$$\dots \dots$$k$ 个循环嵌套— $O（n^k）;$
   一般来说，折半查找，二分法，欧几里得算法等这些 以 2 倍数缩减搜索范围(需要经过 log2^n 次执行完) 的算法，通常为$O(log2n);$
6. $O(nlog2n)$通常是$O(log2n)$的变形，也就是说在它的基础上更改了一些细节，
   如：时间复杂度为$O(logn)$的代码循环$n$遍，则它的时间复杂度为$n\ast O(logn)$，即$O(nlogn)。$