时间复杂度计算

时间复杂度计算
理解算法的方式：
大家都知道，衡量一个程序好坏有两个标准。

• 占用时间
• 占用空间
  那么时间复杂度如何才能在写代码时就可以进行推算呢？下面就进行举例说明

int main()
{
    int a = 2;//1
    int b = 3;//2
    return 0;//3
}

int main()
{
    int a = 2,b = 3;
    return 0;
}

很明显，这个代码执行了三次，那么它的时间复杂度是3吗？如果将声明改成了第二个代码情况，完全一样，难道就变成了2吗？非常明显，这是不可能的。在实际的项目中会有几千几万行这样的代码，不可能去一一计算。我们在代码的执行时间和执行行数中有一个公式T(n) = O( f(n) )，说明行数和时间是成正比的关系

• n代表输入数据数量
• f(n)代表代码执行总次数
• T(n)代表代码执行总时间
• O代表f(n)和T(n)成正比

回到第一个例子，那么时间复杂度就是O(3)或者O(2)了吗?答案不是这样的。一般情况下我们把此类的时间复杂度认为是O(1)，只要在函数中没有声明循环、递归等反人类操作。无论声明多少行，时间复杂度总是为O(1)。

例2：

int main()
{
	int n = 10;
    for (int i = 0; i < n; i++)
    {
        cout << "算法真的烦！" << endl;
    }
    return 0;
}

在这个程序中，添加了循环操作。我们先进行计算一下执行次数。

 - int n = 10				1
 - int i = 0				1
 - i < n					n
 - i++						n
 - cout ...					n
 - return 0;				1

总共执行了3n+3次，在3n面前3就显得很渺小，所以3可以忽略不计，n和3n只是一个系数的关系。只要n都是一次方，那么我们把这类的时间复杂度都认为是O(n).

例3：双层嵌套

int main()
{
    int n = 10;
    for (int i = 0; i < n; i++)
    {
        for (int j = 0; j < n; j++)
        {
            cout << "嵌套循环！" << endl;
        }
        
    }
    return 0;
}

里循环会执行n，外循环也会循环n次。那么执行的次数可以认为是n的平方，那么时间复杂度可以认为是O(n²)。

那么循环是不是都是这样的呢？显然不是，例4将会带你看到不一样的时间复杂度。
例4：

int main()
{
    int n = 10;
    for (int i = 1; i < n; i*= 2)
    {
        cout << "嵌套循环！" << endl;
    }
    return 0;
}

这里的循环条件变成了i = i * 2;那么每次都是倍数上涨，i<n的判断条件就不会再是n次了，而是n/2次。所以时间复杂度也就变成了O(log2N),也可以简写为O(logn)。

以下是一些常见的时间复杂度

• O(1) 常数复杂度
• O(logn) 对数复杂度
• O(n) 线性时间复杂度
• O(nlogn) 线性对数复杂度
• O(n²) 平方
• O(n³) 立方
• O(2n) 指数，卡死了
• O(n!) 阶乘，死机