时间复杂度与空间复杂度2

一 算法的时间复杂度分析
（1）时间频度
一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
（2）时间复杂度
在刚才提到的时间频度中，n称为问题的规模，当n不断变化时，时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此，我们引入时间复杂度的概念。
一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n), 使得当n趋近于无穷大时，T(n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n)), 称O(f(n))为算法的渐进时间复杂度 ，简称时间复杂度。O是数量级的符号。
按数量级递增排列，常见的时间复杂度有：
c < log2N < n < n * Log2N < n^2 < n^3 < 2^n < 3^n < n!
二 计算时间复杂度
1 、非递归函数计算时间复杂度
2、递归函数计算时间复杂度
非递归函数计算时间复杂度
（1）确定关键操作
（2）计算关键操作的执行步骤
（3）计算复杂度O()

递归函数计算时间复杂度
（1）计算递归的结构
（2）列出递归方程
（3）解递归方程（比较简单的算法是带入迭代计算）
常用的算法的时间复杂度和空间复杂度：
排序法 平均时间 最差情形 稳定度 额外空间 备注
冒泡 O(n2 ) O(n2 ) 稳定 O(1) n较小时较好
交换 O(n2 ) O(n2 ) 不稳定 O(1) n较小时较好
选择 O(n2 ) O(n2 ) 不稳定 O(1) n较小时较好
插入 O(n2 ) O(n2 ) 稳定 O(1) 大部分已排序时较好
基数 O(logR B) O(logR B) 稳定 O(n)
B是真数(0-9)，
R是基数(个十百)
Shell O(nlogn) O(ns ) 1