浅谈时间复杂度

浅谈时间复杂度

算法时间复杂度

存在什么问题？
• 和机器性能有关，如：超级计算机 v.s. 单片机
• 和编程语言有关，越高级的语言执行效率越低
• 和编译程序产生的机器指令质量有关
• 有些算法是不能事后再统计的，如：导弹控制算法

能否排除与算法本身无关的外界因素?

时间复杂度分析主要关注算法本身的执行效率，它排除了与算法无关的外界因素，如硬件性能、操作系统等。这种分析提供了一种理论上的性能评估，帮助我们预测算法在不同输入规模下的表现。

能否事先估计？

时间复杂度分析允许我们在实现算法之前，通过数学模型和逻辑推理来预测算法的大致性能。这种预测基于算法的逻辑结构，而不是实际的执行环境，因此它提供了一种在算法设计和选择阶段非常有用的指导。

事前预估算法时间开销为T(n)与问题规模n的关系

• 引入例子：逐步递增型爱你

void loveyou（int n){//n为问题规模
   ①  int i=1;
   ②while(i<=n){
   ③i++;//每次+1
   ④printf("I Love You%d\n",i);
   }
  ⑤  printf("I Love You More Than %d\n",n);
   int main(){
   love you (3000);
   }

语句频度：

① ——1次
② ——3001次
③④ ——3000次
⑤ ——1次
T(3000) = 1 + 3001 + 2*3000 + 1
时间开销与问题规模 n 的关系：
T(n)=3n+3

问题1：是否可以忽略表达式某些部分？

只考虑阶数，用大O记法表示

问题2：如果有好几千行代码，按这种方法需要一行一行数？

只需考虑最深层循环的循环次数与 n 的关系

结论1：可以只考虑阶数高的部分

结论2：问题规模足够大时，常数项系数也可以忽略

T1(n) = O(n)
T2(n) = O(n2)
T3(n) = O(n3)

结论3：如果有多层嵌套循环，只需关注最深层循环循环了几次

a）加法规则(多项相加，只保留最高的项，且系数变为1

T(n) = T1(n) + T2(n) = O(f(n)) + O(g(n)) = O(max(f(n), g(n)))

b）乘法规则 (多项相乘，都保留)

T(n) = T1(n)×T2(n) = O(f(n))×O(g(n)) = O(f(n)×g(n))
Eg：T3(n)= n3 + n2 log2n
= O(n3) + O(n2 log2n)
= ？？?

时间复杂度大小：

O(1) < O(log2n) < O(n) < O(nlog2n) < O(n2) < O(n3) < O(2n) < O(n!) < O(nn)

两个时间复杂度的大小比较：即是哪个的阶数更高（时间复杂度更高）

以O(log2n) < O(n)为例，当n足够大时，O(log2n)趋向于无穷大时比上 O(n)趋向于无穷大时的比阶，利用洛必达法则，极限为0，即n比log2n变大的速度快很多
记忆口诀：常对幂指阶

小练习

三种复杂度

最坏时间复杂度：最坏情况下算法的时间复杂度
平均时间复杂度：所有输入示例等概率出现的情况下，算法的期望运行时间
最好时间复杂度：最好情况下算法的时间复杂度

时间复杂度学习小结

时间复杂度是评估算法效率的关键指标，它帮助我们了解算法执行时间如何随输入数据量变化。通过分析算法的基本操作和执行次数，我们可以预测算法在不同情况下的性能表现，从而在实际应用中做出更合理的选择和优化。