时间复杂度

什么是时间复杂度

    算法的时间复杂度是一个函数，它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述，不包括这个函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是渐近的，亦即考察输入值大小趋近无穷时的情况。
     一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且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),那么其对应的时间复杂度则记为O(f(n))。

常见的时间复杂度量级

• 常数阶O(1)
• 对数阶O(logN)
• 线性阶O(n)
• 线性对数阶O(nlogN)
• 平方阶O(n²)
• 立方阶O(n³)
• K次方阶O(n^k)
• 指数阶O(2^n)

上面的量级从上至下依次的时间复杂度越来越大，执行的效率越来越低。
即：O(1) < O(logN) < O(n) < O(nlogN) <O(n²) < O(n³) < O(n^k) < O(2^n)
如下图所示：

时间复杂度分析

一般分为以下三种情况：

• 最坏情况（Worst Case）：任意输入规模的最大运行时间。（Usually）
• 平均情况（Average Case）：任意输入规模的期待运行时间。（Sometimes）
• 最佳情况（Best Case）：通常最佳情况不会出现。（Bogus）

例如，在一个长度为 n 的列表中顺序搜索指定的值，则

• 最坏情况：n 次比较
• 平均情况：n/2 次比较
• 最佳情况：1 次比较

而实际中，我们一般仅考量算法在最坏情况下的运行情况，也就是对于规模为 n 的任何输入，算法的最长运行时间。这样做的理由是：

一个算法的最坏情况运行时间是在任何输入下运行时间的一个上界（Upper Bound）。
对于某些算法，最坏情况出现的较为频繁。
大体上看，平均情况通常与最坏情况一样差。

同时我们也应该忽略掉低阶参数的影响，而关注最高阶的增加趋势，比如T(n) = 5n^3+ 3n^2 + 666 的趋势就可以看作为 T(n) = Θ(n3)。