数据结构：时间复杂度分析_在n个结点的顺序表中,算法的时间复杂度是o(1)的操作是-CSDN博客

本文链接：https://blog.csdn.net/crazyzzz777/article/details/142329704

什么是时间复杂度：

我们先来从实际的函数中来分析：

int example1(int n) {
    cout<<"喵喵喵喵喵"<<endl;
}

在上面的函数中，无论输入的数字是多少，函数只会执行一条命令：

cout<<"喵喵喵喵喵"<<endl;

我们设T(n)是在输入数据为n时该段代码的总执行数量，上述example1满足T(n) = 1

int example2( int n) {
    int sum = 0;//执行一次命令

    //在下面的循环中 将i初始化会执行一次
    //将i的值和n比较会执行n+1次
    //i++操作会执行n次
    for (int i = 0; i<n;i++)
    {
        sum = sum + i ;
    }
    return sum;//执行1次

}

在上述函数中一共会执行3n+4次命令，即T(n) = 3n + 4

由于在考虑一个算法的效率时，我们需要考虑的是极端情况，所以我们会对上述T（）取极限处理，同时忽略常数的系数，从而对于时间复杂度的计算我们将只考虑T(n)的最高次项，即上述T(n)分别简化为1和3n。因为时间复杂度描述的是增长趋势，所以常数项系数并不重要。在舍去常数系数后，我们将得到上述两个的时间复杂度分别为O(1)和O(n)

大O表示法

大O表示法用于描述算法再最坏情况下的上界，这个最坏情况的理解就是函数最多可能执行的循环次数。

void example(int n) {
    for (int i = 0; i < n; i++) {
        if (i == 0) {
            for (int j = 0; j < n; j++) {
                for (int k = 0; k < n; k++) {
                    cout << j * k << endl;
                }
            }
        }
    }
}

如上面所示，上面函数的总执行次数为：

从内层到外层依次数：n^2+n^2+(n^2+n)+n+n+(n+1)+1+1+n+(n+1)+1=3*n^2+6n+5

如何理解上界：该时间复杂度可以表示为O(n^2)，可以表示为O(n^3)但是不能表示为O(n)

如何计算常见的时间复杂度

将分为单层循环和多层循环进行分析：

单层循环

void example3(int n)
{
    int i = n;
    int count = 0 ;
    while(i != 1)
    {
            i = i/2;
            count++;
    }
    cout<<count; 
    
}

解题步骤：

1. 首先列出循环次数t和对应的每一次循环的i值

t	i
0	n
1	n/2
2	n/4

2. 然后列出i与t的关系式

$i = \frac{n}{2^{t}}$

3.根据循环停止条件解方程

$\frac{n}{2^{t}} = 1$

求得： $t = \log_{2}(n)$

所以上述函数的时间复杂度是 O(log2(n))

多层循环：

void example4(int n) {
    for (int i = 1; i <= n; i++) {              // 第一层循环
        for (int j = 1; j <= i; j++) {          // 第二层循环
            for (int k = 1; k <= j; k++) {      // 第三层循环
                
            }
        }
    }
}

解题思路：

逐层求和：

最内层：循环执行j次

第二层：

$\sum_{j=1}^{i} j = \frac{i(i+1)}{2} \approx \frac{i^2}{2}$