时间复杂度

        在分析一个程序的好坏时，有一个很重要的标准，就是时间复杂度。时间复杂度该如何分析，下面分享一些个人见解，有说的不准确的地方，欢迎评论区指正。

 

一、代码样例：

for(int i=0;i<n;i++){                //n+1
                                     //n   
    for(int j=0;j<n;j++){            //n*(n+1)
                                     //n*n
        for(int k=0;k<n;k++){        //n*n*(n+1)
           sum = i*j*k;              //n*n*n
        }
    }
}

        在上述三层循环中，总用时T(n) = 2n³+2n²+2n+1，其中，n为执行一条语句需要消耗的时间。然而，实际情况中，机器执行语句消耗的时间会随着机器型号、处理器和存储空间变化而变化。而在现实评价程序时，我们不可能测算出每条语句的执行时间，因此，我们引入渐进时间复杂度概念

 

渐进时间复杂度

        在渐进时间复杂度中，我们通过语句执行的数量级，来评判程序消耗时间的多少。即通过语句执行的次数，而不是通过语句执行消耗的时间来计算时间复杂度，这样可以减小程序运行环境变化而造成的计算时间复杂度的误差。

        程序中语句重复执行的次数是问题规模n的某个函数f(n),时间度量记为：T(n)=O(f(n))；问题规模n，一般是指程序中执行次数最多的语句，n越大，时间消耗越多。

        在上述代码中，T(n) = 2n³+2n²+2n+1，当n->∞时，T(n)/n³ ≈ 2 ，即该程序问题规模n为n³，此时，T(n) = O(n³)。由此推出一个定理：

若f(n) = a[m] n^m +a[m-1] n^(m-1)+...+a[1] n+a[0]，则T(n)=O(n^m)

 

二、分析O(n)的步骤

1.找出语句执行频度最大的那条语句作为基本语句；             //如上述程序中的sum=i*j*k

2.计算基本语句的频度得到问题规模n的某个函数f(n)；        //如上述的2n³+2n²+2n+1

3.取其数量级用符号"O"表示。                                             //如上述T(n) = O(n³)

（为什么不是取n*n*(n+1)作为基本语句呢？当n->∞时，n*n*(n+1) ->n³，况且n*n*(n+1)是for循环，本质上并没有执行什么实质性操作 ）

分析举例：

i=1；
while(i<=n)
    i *= 2;

①.基本语句：i*=2；

②.

若循环一次：i=1*2 =2；

循环两次： i = 2*2 = 2²

循环三次：i = 2*2*2 = 2³

 ......

循环x次： i = 2^x

若 n >= 2^x，则x <= log2 n， 即f(n)<=log2 n

③.所以，T(n) = O(log2 n)

 

三、计算时间复杂度的规则

1.加法规则

T(n) = T1(n) + T2(n) = O( f(n) ) + O( g(n) ) = O { Max( f(n) , g(n) ) }

 

2.乘法规则

T(n) = T1(n) * T2(n) = O( f(n) ) * O( g(n) )   //如递归、嵌套

 

3.复杂度数量级递增顺序为：

图 时间复杂度曲线图

 

O(1) < O(log n) < O(n) < O(nlogn) < O(n^k) < O(2^n)

 

以上