时间复杂度的推算

时间复杂度

1.代码的执行次数——T(n)

一个代码的执行次数会用T(n)表示，n是输入数据的大小或者是输入数据的数量。而T是在输入数量为n的时候，这一段代码的总执行次数。

当我们的代码量到了一定的数量级后，此时T(n)就会较难得到准确值，所以算法一般使用T(n)的估算值来衡量算法的复杂度，而这个估算值便是时间复杂度，用O(n)表示。

2.如何由T(n)得到时间复杂度

• 若T(n)等于一个常数的话：

时间复杂度可以直接估算为O(1)。

• 若T(n)=（常数）×n+（常数）的话：

我们可以直接去掉加号后面的常数，因为随着n的增大，(常数)×n项也会越来越大，而后半部分的(常数)不变，可以直接忽略。而第一部分的常数我们可以直接估算为1，或者直接去掉它，因此它的最终复杂度为O(n)。

• 对于多项式：

我们只需要保留n的最高次项。

【总结】

T(n)若是常数，则时间复杂度为O(1)；反之时间复杂度为O(去掉系数的n的最高次项)。

3.一些“奇怪”的例子

①第一个例子

void function()
{
for (int i=0;i<n;++i)
{
    for(int j=i;j<n;++j)
    {
        printf("山风在和第%d周目的%d号选手打招呼！",i,j);
    }
}
}

分析过程如下：
$$T(n)=n+(n-1)+(n-2)+\dots \dots +2+1=\frac{n\times (n+1)}{2}=\frac{1}{2}{n}^2+\frac{1}{2}n=O(n^2)$$

②第二个例子

void function(int n)
{
for (int i=1;i<n;i*=2)
{
printf("山风不打咩！");
}
}

T(8)=3 T(16)=4 可以得到
$$2^{T(n)}=n$$
但是这样是不能表示时间复杂度的，所以我们把T(n)提取出来得到
$$T(n)=3\times lo{g}_2^n$$

4.时间复杂度对比

从左到右时间复杂度依次增大，越往后面增幅越明显：
$$常数时间：O(1)\to 对数时间：O(logn)\to 线性时间O(n)\to 线性对数时间O(nlogn)\to 二次时间O(n^2)\to 指数时间O(2^n)$$

5.一道题

Q：设某算法的计算时间表示为递推关系式T(n)=T(n-1)+n(n为正整数)及T(0)=1,该算法的时间复杂度是多少？

A：我们可以将T(n-1)中的n-1作为参数，再代入到题目的式子中，就会得到T(n-2)+(n-1)+n,之后我们就可以将n-2作为参数，再代入到式子中，以此类推直到T(0)出现，而T(0)=1,于是我们得到T(0)=1+n×(n+1)÷2=1。所以最后得到时间复杂度O(n^2)。