时间复杂度

众所周知，计算机在执行算法时都会消耗一定的时间，但是不同的算法消耗的时间肯定是不同的。这就和我们做数学题一样，简单的用时少，复杂的用时多。为了描述一个算法运行消耗的时间，我们便定义了时间复杂度。

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))，它称为算法的渐进时间复杂度，简称时间复杂度。

说这个可能有点难以理解，所以我们直接上图。

时间复杂度有5个层级：O(1) < O(logn) O(n) < O(nlogn) < O(n²)

那如何判断一个算法的时间复杂度呢？最简单有效的方法便是列出每一次执行基本操作的次数，找出规律，这样的话，时间复杂度便一目了然了。

来看个例子：

for(int i=1;i<=n;i*=2){
	count ++;
}

这是一个最基本的for循环。

找到基本运算：i = i*2;

第一次执行：i = 1;

第二次执行：i = 2;

第三次执行：i = 4;

第四次执行：i = 8;

.......

第t次执行: i = 2^t;

判断逻辑：i<= n;

时间复杂度：2^t <= n 即：t <= log2n。

再来看一个复杂一点的：

int func(int n){
	int i =0 ,sum = 0;
	while(sum < n){
	  sum += ++i;
	}
	return i;
}

找到基本运算：sum += ++i;

 第一次执行：sum = 1

第二次执行：sum = 1+2

第三次执行：sum = 1+2+3

第四次执行：sum = 1+2+3+4

第五次执行：sum = 1+2+3+4+5

......

第t次执行：sum = 1+2+3+4+...+t

判断逻辑：sum < n

时间复杂度：1+2+3+4+...+t < n 即： t + t(t-1)/2 < n ----> O(t^1/2)。

再来看一个双层循环嵌套：

int n=8,count=0;
for(int i=1;i<=n;i*=2){
    for(int j=1;j<=i;j++){
        count++;    
    }
}

第一层for循环的执行次数：log2n

 第二层第一次执行：1

第二层第二次执行：2

第二层第三次执行：4

第二层第四次执行：8

......

第二层第t次执行：2^t

t的最大值为log2n ----> 2^log2n

总的执行次数： 1 + 2 +4 + 8 +...+ 2^log2n = 2n -1

时间复杂度：O(n)。