大话数据结构 （学习笔记）第二章 算法（下）

第二章 算法（下）

2.9算法的时间复杂度

判断一个算法的效率时，函数中的常数和其他次要项常常可以忽略，而更应该关注最高阶项的阶数。某个算法，随着n的增大，它会越来越优于另一个算法，或者越来越差于另一算法。

2.9.1 算法时间复杂度定义

算法的时间复杂度，也就是算法的时间量度，记作T(n) = O(f(n))。它表示随着问题规模n的增大，算法执行时间的增长率和n的某个函数f(n)的增长率相同。

2.9.2 推导大O阶方法

1. 用常数1取代运行时间中的所有加法常数。
2. 在修改后的运行次数函数中，只保留最高阶项。
3. 如果最高阶项存在且不是1，则去除与这个项相乘的常数。得到的结果就是大O阶。

 2.9.3 常数阶

以求和代码为例：

这个代码的运行次数函数 f(n) = 3。根据推导大O阶方法，用1取代3，无最高阶项，因此该算法的时间复杂度为O（1）。假设该算法中计算sum这一步有10句，即：

事实上，无论n为多少，上述两段代码就是3次和12次执行的差异。这种与问题规模n大小无关，执行时间恒定的算法，称之为具有O(1)的时间复杂度，又叫常数阶。不论这个常数是多少，我们都记作O(1)，而不能是O(3)、O(12)等其他任何数字！

对于分支结构，无论真、假，执行次数都是恒定的，不会随n的变化而变化，所以单纯的分支结构（不包含在循环结构中），其时间复杂度也是O(1)。

2.9.4 线性阶

我们要分析算法的复杂度，关键就是分析循环结构的运行情况。

这段代码的循环的时间复杂度为O(n)。

2.9.5 对数阶

这段代码每循环一次 i * 2 之后 i 就距离 a 更近了一点，循环 x 次后直到 i 大于或者等于 a 后，循环结束。所以有 2^x = a,x = log2^n。所以这个代码的时间复杂度为O(logn)。

2.9.6 平方阶

这是一个循环嵌套，外层循环执行了 m 次，内层循环执行了 n 次，因此，时间复杂度即为O(m*n)

这个循环 i 从0开始循环，j 从 i 开始循环。当i = 0时，内循环执行了n次，i= 1时，内循环执行n-1次，.......当i= n-1 时，内循环执行1次。所以总的执行次数为n + (n-1) + (n-2) + ... +1 = n(n+1)/2 = n^2/2 +n/2。根据推导大O阶的方法，这段代码的时间复杂度为O(n^2)。

看到这，我们发现，确实理解大O阶推导并不难，难的是对数列的一些相关运算，这更多考验数学知识和能力。

下面是一个关于方法调用的时间复杂度的计算。

function()函数的时间复杂度为O(1)，所以整体的时间复杂度为O(n)。

假如function()是这样

这就和上文嵌套函数是一样的，只不过把内循环放到了函数里，所以最终的时间复杂度为O(n^2)。

下面这段相对复杂的语句：

它的执行次数 1 + n + n^2 + n(n+1)/2 = (3/2)*n^2 + (3/2)*n + 1,根据大O阶的方法，最终代码的时间复杂度为O(n^2)。

2.10 常见的时间复杂度

常见的时间复杂度所耗费的时间从小到大依次是：

O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O( n!) < O(n^n)

一般在没有特殊说明的情况下，时间复杂度都指最坏时间复杂度。