数据结构和算法（一） 算法时间复杂度

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

1. 用常数1取代运行时间中的所有加法常数
2. 在修改后的运行次数函数中，只保留最髙阶项。
3. 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）

1. 把常数项3改成1。
2. 保留最高项，没有最高项，不用管。
3. 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