[hello 算法] 03时间复杂度

1.时间复杂度

（1）时间复杂度分析统计的不是算法运行时间，而是算法运行时间随着数据量变大时的增长趋势。

2.函数渐进上界

def algorithm(n: int):
    a = 1      # +1
    a = a + 1  # +1
    a = a * 2  # +1
    # 循环 n 次
    for i in range(n):  # +1
        print(0)        # +1

在上述代码中，疑惑的点是a=a*2，在上文中不是有说明乘法时，其时间复杂度为10*n吗，为什么在这里变成1n了？？？

我们将线性阶的时间复杂度记为 𝑂(𝑛) ，这个数学符号称为大 𝑂 记号（big-𝑂 notation），表示函数 𝑇(𝑛) 的渐近上界（asymptotic upper bound）。

若存在正实数 𝑐 和实数 𝑛0 ，使得对于所有的 𝑛>𝑛0 ，均有 𝑇(𝑛)≤𝑐⋅𝑓(𝑛) ，则可认为 𝑓(𝑛) 给出了 𝑇(𝑛) 的一个渐近上界，记为 𝑇(𝑛)=𝑂(𝑓(𝑛)) 。---------不理解

3.时间复杂度求解

T(n)是操作数量，f(n)是渐进上界。f(n)的求解中，第一步是T(n)的确定，第二部是根据忽略系数和常数项的影响后的最高阶的项来决定。--------（有点绕）

总结一下：

1. 忽略 𝑇(𝑛) 中的常数项。因为它们都与 𝑛 无关，所以对时间复杂度不产生影响。
2. 省略所有系数。例如，循环 2𝑛 次、5𝑛+1 次等，都可以简化记为 𝑛 次，因为 𝑛 前面的系数对时间复杂度没有影响。
3. 循环嵌套时使用乘法。总操作数量等于外层循环和内层循环操作数量之积，每一层循环依然可以分别套用第 1. 点和第 2. 点的技巧。

两种T(n)确定方法对比：

（1）之前的方法----T(n)=12n^2+44n+8（这个算的不对！！！！）

正确的是T(n)=2n(n+1)+(5n+1)+2

def algorithm(n: int):
    a = 1      # +1
    a = a + n  # +1
    # 30n+6
    for i in range(5 * n + 1):  # 1
        print(0)                # 5 
    # (6(n+1)+1)*2n = 12n^2+14n
    for i in range(2 * n):    #  1
        for j in range(n + 1):  # 1
            print(0)             # 5

（2）根据3条准则后的方法-----T(n)=n^2+n

def algorithm(n: int):
    a = 1      # +0（技巧 1）
    a = a + n  # +0（技巧 1）----这里我不懂为什么是+0，而不是n，是因为将n看为常数项了吗？
    # +n（技巧 2，不管循环多少n次，都记为n）
    for i in range(5 * n + 1):
        print(0)
    # +n*n（技巧 3，嵌套循环就相乘,n*n）
    for i in range(2 * n):
        for j in range(n + 1):
            print(0)

通过T(n)中最高阶的项来决定，在本案例中时间复杂度为O(n^2)

4.常见类型的时间复杂度

（1）常数阶：在for循环中，如果范围为常数，仍为常数阶。---range(1000)

（2）线性阶通常出现在单层循环中，循环range(n)。

遍历数组和遍历链表等操作的时间复杂度均为 𝑂(𝑛) ，其中 𝑛 为数组或链表的长度

（3）平方阶 𝑂(𝑛2)：平方阶通常出现在嵌套循环中，外层循环和内层循环的时间复杂度都为 𝑂(𝑛) ，因此总体的时间复杂度为 𝑂(𝑛2) 

（4）指数阶 𝑂(2^𝑛)：生物学的“细胞分裂”是指数阶增长的典型例子-------【递归】

（5）对数阶 𝑂(log⁡𝑛)：对数阶反映了“每轮缩减到一半”的情况------与上一个相反（递归中也有）

对数阶常出现于基于分治策略的算法中，体现了“一分为多”和“化繁为简”的算法思想。它增长缓慢，是仅次于常数阶的理想的时间复杂度。

（6）线性对数阶 𝑂(𝑛log⁡𝑛)：线性对数阶常出现于嵌套循环中，两层循环的时间复杂度分别为 𝑂(log⁡𝑛) 和O(n)

主流排序算法的时间复杂度通常为 𝑂(𝑛log⁡𝑛) ，例如快速排序、归并排序、堆排序等。

（7）阶乘阶 𝑂(𝑛!)：给定 𝑛 个互不重复的元素，求其所有可能的排列方案。阶乘通常使用递归实现。

5.最差、最佳、平均时间复杂度

“最差时间复杂度”对应函数渐近上界，使用大 𝑂 记号表示。相应地，“最佳时间复杂度”对应函数渐近下界，用 Ω 记号表示；平均时间复杂度可以体现算法在随机输入数据下的运行效率，用 Θ 记号来表示。