学习 时间复杂度 这一篇就够了

---

1、介绍

排序也称排序算法(Sort Algorithm)，排序是将一组数据，依指定的顺序进行排列的过程

---

2、分类

• 内部排序：指将需要处理的所有数据都加载到 内部存储器(内存) 中进行排序。
• 外部排序：数据量过大，无法全部加载到内存中，需要借助 外部存储(文件等) 进行排序。
• 排序算法的分类
  

---

3、时间频度

1、度量一个程序(算法)执行时间的两种方法

• 事后统计的方法
  这种方法可行, 但是有两个问题：一是要想对设计的算法的运行性能进行评测，需要实际运行该程序；二是所 得时间的统计量依赖于计算机的硬件、软件等环境因素, 这种方式，要在同一台计算机的相同状态下运行，才能比较那个算法速度更快。

• 事前估算的方法
  通过分析某个算法的时间复杂度来判断哪个算法更优.

---

2、时间频度

一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为 T(n)

比如计算 1-100 所有数字之和, 我们设计两种算法

---

3、优化时间频度

1、忽略常数项

2n+20 ： 2n 随着 n 变大，执行曲线无限接近, 20 可以忽略
3n+10 ： 3n 随着 n 变大，执行曲线无限接近, 10 可以忽略

2、忽略低次项

• 2n²+3n+10 ： 2n² 随着 n 变大, 执行曲线无限接近, 可以忽略 3n+10
• n²+5n+20 ： n² 随着 n 变大,执行曲线无限接近, 可以忽略 5n+20
  

3、忽略系数

5n²⁺⁷ⁿ 和 3n²⁺²ⁿ ，执行曲线重合, 说明 这种情况下, 5 和 3 可以忽略。
n³⁺⁵ⁿ 和 6n³⁺⁴ⁿ ，执行曲线分离，说明数的多少次方是关键

---

4、时间复杂度

1、一般情况下，算法中的基本操作语句的重复执行次数是问题规模 n 的某个函数，用 T(n) 表示。若有某个辅助函数 f(n)，使得当 n 趋近于无穷大时，T(n) / f(n) 的极限值为不等于零的常数，则称 f(n)是 T(n)的同数量级函数，记作 T(n)=O(f(n))，称O(f(n)) 为算法的渐进时间复杂度，简称时间复杂度。

2、T(n) 不同，但时间复杂度可能相同。 如：T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的 T(n) 不同，但时间复杂度相同，都为 O(n²)。

3、计算时间复杂度的方法：

• 用常数 1 代替运行时间中的所有加法常数 T(n)=3n²+7n+6 => T(n)=3n²+7n+1
• 修改后的运行次数函数中，只保留最高阶项 T(n)=3n²+7n+1 => T(n) = 3n²
• 去除最高阶项的系数 T(n) = 3n² => T(n) = n² => O(n²)

---

5、常见的时间复杂度

• 常数阶 O(1)
• 对数阶 O(log2n)
• 线性阶 O(n)
• 线性对数阶 O(nlog2n)
• 平方阶 O(n^2)
• 立方阶 O(n^3)
• k 次方阶 O(n^k)
• 指数阶 O(2^n)

---

常见的算法时间复杂度由小到大依次为：Ο(1)＜Ο(log2n)＜Ο(n)＜Ο(nlog2n)＜Ο(n2)＜Ο(n^3)＜ Ο(n^k) ＜ Ο(2^n)，随着问题规模 n 的不断增大，上述时间复杂度不断增大，算法的执行效率越低

从图中可见，我们应该尽可能避免使用指数阶的算法

---

6、列举常见时间复杂度例子

1、常数阶 O(1)

int i = 1;
int j = 1;
++i;
j++;
int m = i + j;

无论代码执行多少行，只要是没有循环等复杂结构，那这个代码的时间复杂度就是 O(1)

---

2、对数阶 O(log2n)

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

在 while循环里，每次都将 i 乘以2，乘完之后，i 距离 n 就越来越近了，假设循环 x 次之后，i 就大于 n 了，此时循环退出，也就是说 2 的 x 次方等于 n，那么 x = log2n，因此代码时间复杂度为 O(log2n)

其中若 i = i * 3，那么结果为O(log3n)

---

3、线性阶 O(n)

for(i = 1; i <= n; ++i){
	j = i;
	j ++;
}

for循环里面的代码会执行 n 遍，因此消耗的时间随 n 的变化而变化，因此用 O(n) 来表示时间复杂度

---

4、线性对数阶 O(nlog2n)

for(m = 1; m < n; m++){
	i = 1;
	while(i < n){
		i = i * 2;
	}
}

将时间复杂度为线性阶 O(log2n) 的代码循环 n 遍也就是 O(nlog2n)

---

5、平方阶 O(n2)

for(int i = 0; i <= n; i++){
	for(int j = 0; j <= n; j++){
	}
}

双层 for循环 也就是 O(n2)

---

7、平均时间复杂度和最坏时间复杂度

1、平均时间复杂度是指所有可能的输入实例均以等概率出现的情况下，该算法的运行时间。

2、最坏情况下的时间复杂度称最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。这样做的原因是：最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限，这就保证了算法的运行时间不会 比最坏情况更长。

3、平均时间复杂度和最坏时间复杂度是否一致，和算法有关(如图:)

---

8、算法的空间复杂度

1、类似于时间复杂度的讨论，一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间，它也是 问题规模 n 的函数。

2、空间复杂度 (Space Complexity) 是对一个算法在运行过程中临时占用存储空间大小的量度。有的算法需要占用的 临时工作单元数与解决问题的规模 n 有关，它随着 n 的增大而增大，当 n 较大时，将占用较多的存储单元，例 如快速排序和归并排序算法, 基数排序就属于这种情况

3、在做算法分析时，主要讨论的是时间复杂度。从用户使用体验上看，更看重的程序执行的速度。一些缓存产品 (redis, memcache)和算法(基数排序)本质就是用空间换时间