函数时间复杂度的计算详解（转自CSDN）

O(1)

Temp=i;i=j;j=temp;  

以上三条单个语句的频度均为1，该程序段的执行时间是一个与问题规模n无关的常数。算法的时间复杂度为常数阶，记作T(n)=O(1)。如果算法的执行时 间不随着问题规模n的增加而增长，即使算法中有上千条语句，其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)。 

O(n^2)

2.1. 交换i和j的内容
  sum=0； （一次）
  for(i=1;i<=n;i++) （n次 ）
  for(j=1;j<=n;j++) （n^2次 ）
  sum++； （n^2次 ）
解：T(n)=2n^2+n+1 =O(n^2)

2.2.  
  for (i=1;i<n;i++)
  { 
  y=y+1; ①  
  for (j=0;j<=(2*n);j++)  
  x++; ②  
  }  
解： 语句1的频度是n-1
  语句2的频度是(n-1)*(2n+1)=2n^2-n-1
  f(n)=2n^2-n-1+(n-1)=2n^2-2
  该程序的时间复杂度T(n)=O(n^2).  

O(n)  
   
2.3. 
  a=0;
  b=1; ①
  for (i=1;i<=n;i++) ②
  {  
  s=a+b;　　　　③
  b=a;　　　　　④  
  a=s;　　　　　⑤
  }
解： 语句1的频度：2,  
  语句2的频度： n,  
  语句3的频度： n-1,  
  语句4的频度：n-1,  
  语句5的频度：n-1,  
  T(n)=2+n+3(n-1)=4n-1=O(n).
   
O(log2n )

2.4. 
  i=1; ①
  while (i<=n)
  i=i*2; ②
解： 语句1的频度是1,  
  设语句2的频度是f(n), 则：2^f(n)<=n;f(n)<=log2n  
  取最大值f(n)= log2n,
  T(n)=O(log2n )

O(n^3)

2.5. 
  for(i=0;i<n;i++)
  {  
  for(j=0;j<i;j++)  
  {
  for(k=0;k<j;k++)
  x=x+2;  
  }
  }
解：当i=m, j=k的时候,内层循环的次数为k当i=m时, j 可以取 0,1,...,m-1 , 所以这里最内循环共进行了0+1+...+m-1=(m-1)m/2次所以,i从0取到n, 则循环共进行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以时间复杂度为O(n^3).
   

我们还应该区分算法的最坏情况的行为和期望行为。如快速排序的最 坏情况运行时间是 O(n^2)，但期望时间是 O(nlogn)。通过每次都仔细 地选择基准值，我们有可能把平方情况 (即O(n^2)情况)的概率减小到几乎等于 0。在实际中，精心实现的快速排序一般都能以 (O(nlogn)时间运行。 
下面是一些常用的记法： 


访问数组中的元素是常数时间操作，或说O(1)操作。一个算法如 果能在每个步骤去掉一半数据元素，如二分检索，通常它就取 O(logn)时间。用strcmp比较两个具有n个字符的串需要O(n)时间 。常规的矩阵乘算法是O(n^3)，因为算出每个元素都需要将n对 元素相乘并加到一起，所有元素的个数是n^2。 
指数时间算法通常来源于需要求出所有可能结果。例如，n个元 素的集合共有2n个子集,所以要求出所有子集的算法将是O(2n)的 。指数算法一般说来是太复杂了，除非n的值非常小，因为，在 这个问题中增加一个元素就导致运行时间加倍。不幸的是，确实有许多问题 (如著名 的“巡回售货员问题” )，到目前为止找到的算法都是指数的。如果我们真的遇到这种情况， 通常应该用寻找近似最佳结果的算法替代之

转载于:https://www.cnblogs.com/SCAU_que/articles/1735784.html