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∗2x=n ,可以得到 x=log2n 。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(n2)
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 |
3n2+2n+1 | O(n2) | 平方阶 |
5logn2+20 | O(logn) | 对数阶 |
2n+3nlog2n+19 | O(nlogn) | nlogn 阶 |
6n3+2n2+3n+4 | O(n3) | 立方阶 |
2n | O(2n) | 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(n2)<O(n3)<O(2n)<O(n!)<O(nn)