03.数据结构基础—算法的时间复杂度

一.时间复杂度

思考一下我们如何评估算法时间开销呢？
我们可以让算法先运行，事后统计。但是会出现以下几个问题：
1.不同机器的性能不同
2.编程语言不同，越高级越慢
3.一些算法不能事后统计
4.和编译程序产生的机器指令质量有关

所以我们需要事前预估。引入时间复杂度
实际上就是时间开销T（n）与问题规模n的关系

上述代码中：
1执行了1次
2执行3001次
3执行3000次
4执行1次
所以：T（3000）= 1+3001+2*3000+1
转换为表达式为T（n）=3n+3
思考这个问题：如果表达式中有高次我们怎么处理？是否可以忽略表达式某一部分？

答案是肯定的
如果出现高次，我们只取最高项，并且也忽略这一项的系数

我们用大O表示同阶，同等数量级。
所以我们表达式可以简化为：T= O(n),T=O(n²)……

函数举例	阶	阶数
12	O(1)	常数阶
2n+3	O(n)	线性阶
3n2+2n+1	O(n2)	平方阶
5log2n+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

消耗时间顺序：常对线，幂指阶
O(1) < O(log2n) < O(n) < O(nlog2n) < O(n2) < O(n3) < O(2n) < O(n!) < O(nn)

多层嵌套时，分析最深层的

二.常用技巧：

加法规则：O(f(n)) + O(g(n)) = O(max(f(n),g(n)))
乘法规则：O(f(n)) * O(g(n)) = O(f(n)*g(n))

三种复杂度

假设有一个从1到n乱序的数组。
一个循环从数组第一个元素查找元素n。会出现下面三种情况：
最坏时间复杂度：n在最后一个位置
平均时间复杂度：n在任意位置，概率1/n，循环次数x= （1+2+3+…+n）1/n=（n*(1+n)/2)*1/n=(1+n)/2
最好时间复杂度:n在第一个位置

可以看出算法执行时间可能与输入的数据有关