时间复杂度介绍

时间复杂度

$O(1)$

首先你必须明确一个概念，$O(1)$ 只是常量级时间复杂度的一种表示方法，并不是指只执行了一行代码。比如这段代码，即便有 3 行，它的时间复杂度也是 $O(1）$，而不是 $O(3)$。

int i = 8;
int j = 6; 
int sum = i + j;

只要代码的执行时间不随 n 的增大而增长，这样代码的时间复杂度我们都记作 O(1)。或者说，一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其时间复杂度也是Ο(1)。

$O(logn)$、$O(nlogn)$

对数阶时间复杂度非常常见，同时也是最难分析的一种时间复杂度。我通过一个例子来说明一下。

i=1;

while (i <= n)
    { 
        i = i * 2; 
    }

根据我们前面讲的复杂度分析方法，第三行代码是循环执行次数最多的。所以，我们只要能计算出这行代码被执行了多少次，就能知道整段代码的时间复杂度。

从代码中可以看出，变量 i 的值从 1 开始取，每循环一次就乘以 2。当大于 n 时，循环结束。还记得我们高中学过的等比数列吗？实际上，变量 i 的取值就是一个等比数列。如果我把它一个一个列出来，就应该是这个样子的：

所以，我们只要知道 $x$ 值是多少，就知道这行代码执行的次数了。通过 $2x=n$ 求解 $x$ 这个问题我们想高中应该就学过了，我就不多说了。$x=lo{g}_{2}n$，所以，这段代码的时间复杂度就是 $O(lo{g}_{2}n)$。

现在，我把代码稍微改下，你再看看，这段代码的时间复杂度是多少？

i=1; 
while (i <= n) 
    { 
        i = i * 3; 
    }

根据我刚刚讲的思路，很简单就能看出来，这段代码的时间复杂度为 $O(lo{g}_{3}n)$。

实际上，不管是以 2 为底、以 3 为底，还是以 10 为底，我们可以把所有对数阶的时间复杂度都记为 $O(logn)$。为什么呢？

我们知道，对数之间是可以互相转换的，$lo{g}_{3}n$ 就等于 $lo{g}_{3}2\ast lo{g}_{2}n$，所以 $O(lo{g}_{3}n)=O(C\ast lo{g}_{2}n)$，其中 $C=lo{g}_{3}2$ 是一个常量。基于我们前面的一个理论：在采用大 O 标记复杂度的时候，可以忽略系数，即 $O(Cf(n))=O(f(n))$。所以，$O(lo{g}_{2}n)$ 就等于 $O(lo{g}_{3}n)$。因此，在对数阶时间复杂度的表示方法里，我们忽略对数的“底”，统一表示为 O(logn)。

如果你理解了我前面讲的 $O(logn)$，那 $O(nlogn)$ 就很容易理解了。还记得我们刚讲的乘法法则吗？如果一段代码的时间复杂度是 $O(logn)$，我们循环执行 n 遍，时间复杂度就是 $O(nlogn)$ 了。而且，$O(nlogn)$ 也是一种非常常见的算法时间复杂度。比如，归并排序、快速排序的时间复杂度都是 $O(nlogn)$。

$O(m+n)、O(m\ast n)$

我们再来讲一种跟前面都不一样的时间复杂度，代码的复杂度由两个数据的规模来决定。

int cal(int m, int n) {
  int sum_1 = 0;
  int i = 1;
  for (; i < m; ++i) {
    sum_1 = sum_1 + i;
  }

  int sum_2 = 0;
  int j = 1;
  for (; j < n; ++j) {
    sum_2 = sum_2 + j;
  }

  return sum_1 + sum_2;
}

从代码中可以看出，m 和 n 是表示两个数据规模。我们无法事先评估 m 和 n 谁的量级大，所以我们在表示复杂度的时候，就不能简单地利用加法法则，省略掉其中一个。所以，上面代码的时间复杂度就是 $O(m+n)$。

针对这种情况，原来的加法法则就不正确了，我们需要将加法规则改为：$T1(m)+T2(n)=O(f(m)+g(n))$。但是乘法法则继续有效：$T1(m)\ast T2(n)=O(f(m)\ast f(n))$。

转自《数据结构与算法之美》