算法时间复杂度计算方法

判断一个算法的效率时，一般忽略掉函数中的常数和次要项，主要关注最高阶的阶数。

---

算法时间复杂度定义

算法的时间复杂度即算法的时间量度，记作：T(n)=O(f(n))。它表示随问题规模的 n 的扩大，算法执行时间的增长率和 f(n) 的增长率相同，叫做算法的渐进时间复杂度。其中 f(n) 是问题规模 n 的某个函数。

---

推导时间复杂度方法

• 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，只保留最高阶项
• 如果最高阶项存在且不是1，则除去与最高阶项相乘的常数
• 得到的结果便为大O阶

常数阶

不论执行的常数次为多少，O(3)也好，O(100)也罢，时间复杂度都记作O(1)。

线性阶

O(n)，关键是要分析循环结构的运行情况。

对数阶

循环体中的条件和循环的判断条件相关，例如：

int count=1;
while (count<n){
    count=count*2;
}

这里假设循环运行 x 次，那么判断条件就变成了$count*2^x=n$，可以得到$x=log_2n$。所以这个循环的时间复杂度为$O(log(n))$。

平方阶

一般有循环嵌套。循环复杂度等于循环体的复杂度乘以该循环运行的次数。

int i,j;
for (i=0;i<n;i++){
    for (j=i;j<n;j++){
        *****
        }
    }

当i=0时，循环体运行n次；
当i=1时，循环体运行n-1次；
当i=2时，循环体运行n-2次；
···
当i=n-1时，循环体运行1次。
所以，总共运行n+(n-1)+(n-2)+···+1=n*(n+1)/2。此循环体时间复杂度为$O(n*(n+1)/2)=O(n^2)$

---

常见的时间复杂度

执行次函数	阶	非正式术语
12	$O(1)$	常数阶
2n+3	$O(n)$	线性阶
$3n^2+2n+1$	$O(n^2)$	平方阶
$5log_2^n+20$	$O(logn)$	对数阶
$2n+3nlog_2n+19$	$O(nlogn)$	$nlogn$阶
$6n^3+2n^2+3n+4$	$O(n^3)$	立方阶
$2^n$	$O(2^n)$	指数阶

时间复杂度所耗费时间从小到大依次是：

$O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(2^n)<O(n!)<O(n^n)$