算法的时间复杂度

时间复杂度

度量一个程序(算法)执行的时间的两种方法：

1. 事后统计方法
   这种方法需要实际运行该程序，所得时间的统计量依赖于计算机的硬件，软件等环境，这种方式需要在同一台计算机 相同的状态下运行，才能比较哪个算法速度更快。
2. 事前估算方法
   通过分析某个算法的时间复杂度来判断哪个算法更优

通过对比，我们在分析一个算法哪个算法更快，一般采取的是事前估算法，即采用的是时间复杂度来判断哪个算法更优。

• 时间频度
  一个算法花费的时间与算法中语句的执行次数成正比，哪个算法中语句执行的次数多，它花费的时间就多。一个算法中的语句执行次数称为语句频度或者是时间频度,计为T(n)。
  例如：
  
  上面列子求1到100的和有2种方法，第一种的时间频度为 T(n) = n+1，第二种时间频度为T(n) = 1

• 时间复杂度
  在刚才提到的时间频度中，n称为问题的规模，当n不断变化时，时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此，我们引入时间复杂度概念。 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) = Ο(f (n)) 表示存在一个常数C，使得在当n趋于正无穷时总有 T (n) ≤ C * f(n)。简单来说，就是T(n)在n趋于正无穷时最大也就跟f(n)差不多大。也就是说当n趋于正无穷时T (n)的上界是C * f(n)。其虽然对f(n)没有规定，但是一般都是取尽可能简单的函数。例如，O(2n2+n +1) = O (3n2+n+3) = O (7n2 + n) = O ( n2 ) ，一般都只用O(n2)表示就可以了。注意到大O符号里隐藏着一个常数C，所以f(n)里一般不加系数。如果把T(n)当做一棵树，那么O(f(n))所表达的就是树干，只关心其中的主干，其他的细枝末节全都抛弃不管。

在各种不同算法中，若算法中语句执行次数为一个常数，则时间复杂度为O(1),另外，在时间频度不相同时，时间复杂度有可能相同，如T(n)=n2+3n+4与T(n)=4n2+2n+1它们的频度不同，但时间复杂度相同，都为O(n2)。 按数量级递增排列，常见的时间复杂度有：常数阶O(1),对数阶O(log2n),线性阶O(n), 线性对数阶O(nlog2n),平方阶O(n2)，立方阶O(n3),…， k次方阶O(nk),指数阶O(2n)。随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低。

从图中可见，我们应该尽可能选用多项式阶O(nk)的算法，而不希望用指数阶的算法。

• 常见算法的时间复杂度：