常见的时间复杂度

本文详细介绍了常见算法的时间复杂度,包括常数阶、对数阶、线性阶等,以及它们随问题规模变化的影响。通过实例演示了O(1)、O(log n)、O(n)、O(n log n)、O(n^2)、O(n^3)和O(2^n)的区分,并解释了代码执行效率与规模的关系。
摘要由CSDN通过智能技术生成

常见的算法时间复杂度由小到大依次为:

常数阶  <  对数阶 <  线性阶 <  线性对数阶 <  平方阶 <  立方阶 <  指数阶

O() < O() < O() < O() < O()  < O() < O()

随着 ​ 的规模不断增大,上述时间复杂度不断增大,算法的执行效率越低

常数阶 O()

无论代码执行了多少行,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()

int i = 1;
int j = 2;
++i;
j++;
int m = i + j;

​代码执行的时候,并不随着某个变量的增长而增长,那么无论代码有多少行,即使有几万几十万行,它的时间复杂度都是O(1)

对数阶 O()

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

在while循环里面,每次都将i乘以2,乘完之后,i距离n就越来越近,假设循环x次后,i 就大于n了,此时这个循环就退出了,也就是说2的x次方等于n,那么x = 也就是说当循环次后,这个代码就结束了,因此这个代码的时间复杂度为O(

线性阶 O(

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

这段代码,for循环里面的代码会执行n遍,因此它消耗的时间是随着n的变化而变化的,因此这类代码都可以用O()来表示它的时间复杂度

线性对数阶  O()

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

线性对数阶将时间复杂度为 O()的代码循环N遍

平方阶

两个for循环的时间复杂度就是 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

你在狗叫什么、

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值