评估算法的时间复杂度（time complexity）的技巧小结

评估算法的时间复杂度的技巧小结

这篇文章献给澳门理工学院一起努力的同学们，祝大家早日摆脱算法学习的苦海，找到一叶扁舟。

什么是时间复杂度

众所周知，程序运行的时间长短跟硬件和算法都有关系。当人们想要专注于研究算法的优劣时，就要在某种程度上排除硬件差异带来的评估干扰，这时时间复杂度的概念就被发明出来了。
时间复杂度（time complexity），是评估算法好坏的一个指标，关于它的本质，简单概括就是：时间复杂度是一个算法的输入和它运行所需的时间之间的函数特征。
我们把这个输入称之为问题规模，而这个函数特征，并不是一个完全的函数，而是能够表现关系特征的一种函数类型。以下列出了最常见的函数类型，在时间复杂度中，它们表示的效率由高到低：

函数类型	表示
Constant	1
Logarithmic	logn
Linear	n
Linearithmic	nlogn
Quadratic	n2
Cubic	n3
Exponential	2n

时间复杂度可以写作O( )形式，如O( n ), O( nlogn )

朴素方法分析时间复杂度

最朴素的分析时间复杂度的方法就是计算基础操作次数，算出运行次数关于问题规模的函数，提取出特征并得出结论
基础操作大抵包括调用，判断，赋值，读值，等等，其中读值一般特指从列表等数据结构中读取。其他在此不详细讲述了，实际操作中往往不需要使用这种分析方法。
例子：

def list_max(a,n):        # 基础操作次数
	m = a[0]					2			【赋值，读值】
	i = 1						1
	while i < n:				1*n		【n是输入的**问题规模** 】
		if a[i] > m:			2*(n-1)	【判断，读值】
			m = a[i]			2*(n−1)
			i = i +1			2*(n−1)
	return m					1
								total：7n−2

提取特征可得时间复杂度为O（n）
可以发现，所谓提取特征，就是提取原函数中