一、基础概念
时间复杂度,粗暴理解即算法的速度。算法中的基本操作重复执行的次数是问题规模n的某个函数,其时间度量记做T(n)=O(f(n))(其中“O”是指T(n)的数量级),称作算法的渐进时间复杂度,简称时间复杂度。时间复杂度一般用最深层循环内的语句中的原操作的执行频度(重复执行的次数)来表示。
二、算法案例
#题干:a+b+c=1000 且 a²+b²=c²,求a、b、c的可能组合
#第一种算法(耗时约4min)
for a in range(1,1000):
for b in range(1,1000):
for c in range(1,1000):
if a+b+c==1000 and a**2+b**2==c**2:
print('a,b,c',a,b,c)
#第二种算法(耗时约1min)
for a in range(1,1000):
for b in range(1,1000):
c=1000-a-b
if a**2+b**2==c**2:
print('a,b,c:',a,b,c)
图中第一种算法的时间复杂度:
设时间为f。
3层for循环意味着乘3次,每层1000的复杂度,T=1000*1000*1000。
If和print()记为2。因为属于for循环内部所以也是相乘,因此f=1000*1000*1000*2
然后把(1,1000)改写成(0,n),那么时间复杂度的函数f(n)=n³*2。
把函数的图象绘制出来可得系数2对函数走势的影响不大,因此系数通常忽略处理,得到渐进函数T(f(n))=O(f(n))=O(n³)。
图中第二种算法的时间复杂度:
2层for循环,忽略系数,因此T(f(n))=O(f(n))=O(n²)。
三、常见的时间复习度
O(1):常数时间,对应单个语句(赋值、输出等)的算法。
O(logn):对数时间,例如二分算法。
O(n):线性时间,例如一层for循环。
O(n*logn):对数线性时间,例如快速排序。
O(n²):平方时间,例如选择排序或两层for循环。
O(n³):立方时间,例如三层for循环。
O(n!):阶乘时间,例如递归。
O(2n):指数时间,例如穷举排列组合。
常用的时间复杂度的关系:O(1)<O(log2n)<O(n)<O(n log2n)<O(n2)<O(n3)
指数时间复杂度关系为:O(2n)<O(n!)<O(nn)
有的情况下,算法中基本操作重复执行的次数会随问题的输入数据集的不同而不同。