算法的时间与空间复杂度

算法的时间与空间复杂度

一、算法的时间复杂度

1、算法的执行时间和频度

!*首先明确一下一些专业术语的概念

*算法的执行时间=所有语句执行时间的总和

*语句执行时间=该语句重复执行次数×该语句每执行一次所需时间

*频度：一条语句重复执行的次数

!*（！*在本文中代表要注意的知识点）算法实际所需的具体时间与机器的软硬件环境（机器速度、编译程序质量等）相关；因此可以设每条语句执行一次所需时间是单位时间，所以一个算法的执行时间即所有语句频度之和。

2、问题规模和算法时间复杂度

*规模(有些书中称之为模块)：算法求解问题的输入量。通常用n表示。

例：

矩阵的阶数；多项式的项数；排序时数的个数；一个图中的顶点数或边数；集合中的元素个数。

*数量级‘O ':

数学定义：若T（n）和f（n）是定义在整数集合上的两个函数，则T（n）=O（f（n））表示，存在常数c>0和n0，使得当n>n0时都满足0<=T(n)<=cf(n).

*时间复杂度：一个算法的时间复杂度是该算法的执行时间。记作T（n）（该函数是n的函数）。设一个函数是f(n)（找的这个函数是为了方便我们进行比较）,T(n)和f(n)是同阶的（此处可联系高数求极限时的同阶无穷小，即两函数相除，当n→∞时，极限为常数c），则可说T(n)和f(n)的数量级相同，记作：

T(n)=O(f(n))

T(n)称为算法的渐近时间复杂度，简称时间复杂度。

!*上面公式可以这样理解：随着模块n的增加，算法执行时间的增长率和f（n）的增长率成正比，所以f（n）越小，T（n）越小，算法效率越高。

ps：T（n）与f（n）都是增长的，当过了某一个点时两个函数的函数值成正比，每点的增长率自然也成正比，不过前提是n→∞,当n没有足够大时，是体现不出来的。

例：

T（n）=2n^3+3n^2+2n+1

f(n)=n^3

limT(n)/n^3=lim(2n^3+3n^2+2n+1)/n^3=2;

！*（lim符号下应是n→∞）

通过上式便可记为T（n）=O（n^3）.

3、时间复杂度计算方法

*步骤

（1）、先跟据算法确定它的执行次数（其实只要保证基本语句执行次数中最高次幂正确即可，即频度最大的语句的次数，其实这个可以联系上个例子，其余项的极限为0，所以可以忽略）。

（2）、找出T（n）的同数量级，通常有以下函数：

O(1)<O(log2n)<O(n)<O(nlog2n)<O(n^2)<O(n^3)<...<O(n^k)<O(2^n)<O(n!)

!*O(log2n),O(n),O(nlog2n),O(n^2),O(n^3)称为多项式时间，而O(2^n)，O(n!)称为指数时间。前者为有效算法，为P类问题，而后者，当n无限大时可以想象其速度增长之快，为NP类问题。

*求算法的一些计算法则

1、对于一些简单的输出输入算法或算法中不存在循环语句，其时间复杂度就认为是O（1）。

2、对于顺序结构，需要依次执行的语句可用求和法则

*求和法则

若算法的2个部分的时间复杂度分别为T1（n）=O（f（n）），T2（n）=O（g（n））则

T1（n）+T1（n