定义
- 时间复杂度
算法的时间复杂度,也就是算法的时间量度,记作:T(n) = O(f(n))。
它表示随问题规模n的增大,算法执行时间的增长率和f(n)的增长率相同,称作算法的渐进时间复杂度,简称时间复杂度。其中f(n)是问题规模n的某个函数。 - 大O记号
用大写O()来体现算法时间你复杂度的记法。一般情况下,随着n的增长,T(n)增长最慢的算法为最优算法。
分析时间复杂度-推导大O阶方法
- 用常数1取代运行时间中的所有加法常数
- 在修改后的运行次数函数中,只保留最髙阶项。
- 如果最高阶项存在且不是1,则去除与这个项相乘的常数。
常见时间复杂度(大O记号表示)
- 常数阶, 记作O(1)
int sum = 0, n = 100; // 执行1次
sum = (1 + n) * n / 2; // 执行1次
这个算法的运行次数函数是f(n) = 2。
推导大O阶(结合上述推导大O阶方法)
- 把常数项3改成1。
- 保留最高项,没有最高项,不用管。
- 最高项不存在,不用管
得到结果,时间复杂度为O(1).
结论:
当代码执行次数与n的大小无关,执行时间恒定的算法,我们称为具有O(1)的时间复杂度,又叫常数阶。
- 线性阶,记作O(n)
线性阶的循环结构会复杂很多,要分析算法的复杂度,关键就是要分析循环结构的运行情况。
for (int i = 0; i < n; i ++) {
// 时间复杂度为O(1)的程序
}
上方代码执行次数为n的大小,所以时间复杂度为O(n)。
- 对数阶
int count = 1;
while (count < n) {
count = count * 2;
// 时间复杂度为O(1)的程序
}
上方代码count累乘2, count = 1, count = 2; count = 2 * 2; count = 2 * 2 * 2; … count < n 的时候,退出循环。由2^x = n 得出x=log₂n。所以时间复杂度为O(logn)
最坏情况与平均情况
- 最坏情况
最坏情况运行时间是一种保证 - 平均情况
平均情况是期望的运行时间
在没有特殊说明情况下,时间复杂度是指最坏时间复杂度。
时间复杂度排序
O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)
[1] 程杰·清华大学出版社·大话数据结构