算法--时间复杂度

时间复杂度
    但有时我们想知道它变化时呈现什么规律，想知道问题的规模，而不是具体的次数，此时引入时间复杂度。
    一般情况下，算法中基本操作重复执行的次数是问题规模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。
    T(n)=O(f(n))
    或者说：时间复杂度就是时间频度去掉低阶项和首项常数。
    注意：时间频度与时间复杂度是不同的，时间频度不同但时间复杂度可能相同。    
    
    比如：某两个算法的时间频度是 T（n） = 100000n2+10n+6    T（n） = 10n2+10n+6   T(n) = n2    
 
    但是时间复杂度都是 T（n） = O（n2）
            
    最坏时间复杂度和平均时间复杂度    
    最坏情况下的时间复杂度称最坏时间复杂度。一般不特别说明，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上界，这就保证了算法的运行时间不会比任何更长。
    在最坏情况下的时间复杂度为T(n)=O(n)，它表示对于任何输入实例,该算法的运行时间不可能大于O(n)。 
    
    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，算法的期望运行时间。鉴于平均复杂度
    第一，难计算
    第二，有很多算法的平均情况和最差情况的复杂度是一样的。
    所以一般讨论最坏时间复杂度

    比如 我要求你在字典里查同一个字，告诉我这个字在字典的那一页。
    如果一页一页的翻，你需要多少时间呢？
    最优的情况就是这个字在第一页，
    最坏的情况就是这个字是 整本字典的最后一个字。
    所以即使我故意为难你，你也不会花费比找整本字典最后一个字还长的时间。
    当然，此时聪明的你就会想用部首、笔画等去查，才不要傻乎乎的一页一页翻，
    此时的你就会择优选择，因为此时你最坏得情况就是我给你部首笔画最多、除部首外笔画最多的一个超级复杂的一个字，但显然比翻整本字典快得多。
    
为了进一步说明算法的时间复杂度，我们定义 Ο、Ω、Θ符号。
Ο(欧米可荣)符号给出了算法时间复杂度的上界（最坏情况  <=），比如T（n） =O（n2）
Ω(欧米伽)符号给出了时间复杂度的下界（最好情况 >=），比如T（n） =Ω（n2）
而Θ(西塔)给出了算法时间复杂度的精确阶（最好和最坏是同一个阶  =），比如T（n） =Θ（n2）
 

转载于:https://my.oschina.net/u/4118575/blog/3044186