2.算法时间复杂度

1. 算法时间复杂度定义：

    在进行算法算法分析时，语句总是执行次数T(n)  是关于问题规模n的函数，进而分析T(n)随n变化情况并确定T(n) 的数量级。算法时间复杂度，也就是算法的时间度量，记作：T（n） = O(f(n))。  它随着问题规模n的增大。算法的执行时间增长率和f(n) 的增长率相同，称作算法的渐进时间复杂度，简称为时间复杂度。其中f（n）  是问题规模n的某个函数  采用O[ ] 来体现算法时间复杂度 简称 大O记法

2.推导大O阶方法

1.用常数1取代所有运行时间中加法常数       n+1+2 = O(1) 

2.在修改后的运行次数函数，只保留最高阶项  n²+n^3 =O( n^3)

3.如果最高阶项存在且不是1，去除掉   与这个项相乘的函数  2*n²  = O(n²)

 

3.大O记法的一些非官方的名称

   1. 常数阶

首先顺序结构的时间复杂度

  记作  O(1)

   int  i=0,j=100 ;  //执行一次

   i = (1+j)*n/2  //执行一次

这个算法的运行次数是函数f(n) = 2， 为什么时间复杂度不是O[2]  ，（推导大O阶方法）第一步就是常数项2改为1， 保留最高阶项发现没有最高的阶项。 

  2  线性阶

线性阶的循环结构会复杂很多。要确定某个算法的阶次，我们常常需要确定某个特定语句或摸个语句集运行的次数。因此要分析算法的复杂度，关键就是要分析循环结果的运行次数。

  记作  O(n) （因为循环体中的代码要执行n次）

  for (int i = 0;i<n;i++)

  {

  //执行n次

  }

 

 3. 对数阶

由于每次count乘以2之后，就距离n的值越接近，也就是有多少个乘以2后会打n，则会推出循环

, 最后得到O(log n).

记住   O(log n)    [2^x = n , x = log2n]  

int count = 0;

while (count<n)

{

//执行了log2n次

count = count*2;

}

 

4. 平方阶

记住 O(n²)    【如果循环次数的一个改成m  那么就是 O(m*n)】

//执行了n²次

for (int i=0;i<n;i++)

{

for (int j=0;j<n;j++)

    {

    }

}

 

4常见的时间复杂度