时间复杂度

时间复杂度想必大家都有所了解，就是求法可能会有些迷茫，下面我来谈谈我的理解

概念：很多情况下可以通过考察一个程序中关键操作的执行次数，来估算算法的渐近时间复杂度

下面是矩阵乘法的例子

    for(i=0;i<n;i++)							//执行n+1次
    	for(j=0;j<n;j++){						//n(n+1)
    		c[i][j]=0;							//n*n
    		for(k=0;k<n;k++)					//n*n*(n+1)
    			c[i][j]+=a[i][k]*b[k][j];		//n*n*n
    	}

上例总的执行次数T(n)=2n³+3n²+2n+1
所以O(T(n))=n³
或者可以把c[i][j]+=a[i][k]*b[k][j];看作关键操作，可得O(n³)

这时可能会有很多向我一样觉得这如此简单，三个for循环直接相乘就完了直接O(n³)，于是遇见for循环就相乘屡试不爽。

当看到邻接表就有问题了

遍历邻接表

struct ENode{
	int adjVex;
	ENode* nextArc;
};
for(i=0;i<n;i++)										//n
	for(ENode* w=a[i];w;w=w->nextArc)//a代表上图数组		
		if(!visit[i])//代表i是否访问过					//总共e次
		{
			visit[i]=1;
			cout<<w->adjVex;
		}

想着两个for相乘即O(n*e)，但答案是O(n+e)
其实仔细想想也是，回到程序的关键操作，可以看出有两个关键操作，最外层for循环n次，内层和外层一起总共执行了e条边，所以是O(n+e)

还有就是为什么无向图遍历不是O(n+2e)，而是O(n+e)，我的理解是根据定义(设有非负函数f(n)和g(n)，存在常数c>0和n₀，使得当n>=n₀时，有f(n)<=c*g(n)，则记为f(n)=O(g(n))，称为大O记号)，即可以让常数c变大使(n+e)*c依旧大于等于f(n)。所以大O记号里一般都没有常数。

再来一个例子，这个时间复杂度又是什么呢
先找出关键操作

//矩阵连乘主要代码
for(int i=0;i<n;i++)m[i][i]=0;
for(int r=2;r<=n;r++)
    {
        for(int i=0;i<=n-r;i++)
        {
            int j=i+r-1;
            m[i][j]=m[i][i]+m[i+1][j]+p[i]*p[i+1]*p[j+1];
            s[i][j]=i;
            for(int k=i+1;k<j;k++)
            {
                int t=m[i][k]+m[k+1][j]+p[i]*p[k+1]*p[j+1];//当做关键操作
                if(t<m[i][j]){
                    m[i][j]=t;
                    s[i][j]=k;
                }
            }
        }
    }

所认为的关键操作已经标记出来了，就计算它执行的次数即可。

r值	i范围	j 范围	k的执行次数
2	[0,n-2]	[1,n-1]	[0,n-2]
3	[0,n-3]	[2,n-1]	[1,n-2]
4	[0,n-4]	[3,n-1]	[2,n-2]
5	[0,n-5]	[4,n-1]	[3,n-2]
…	…	…	…
n	[0,0]	[n-1,n-1]	[n-2,n-2]

综上关键操作执行次数

T(n)=1*0+2*1+3*2+4*3+…+(n-1)*(n-2)=(n ³-n)/3

(即k中所有数相加，一个0次，两个1次，三个2次，…)

则O(T(n))=O(n³)