算法的时间复杂度

目录

1. 度量算法执行时间的方法

1.1 事后统计法

1.2 事前估算法

2. 时间频度

3. 时间复杂度介绍

4. 计算时间复杂度的方法

5. 常见的时间复杂度

6. 平均时间复杂度和最坏时间复杂度（附表格）

---

1. 度量算法执行时间的方法

1.1 事后统计法

存在的问题：一是要想对设计的算法的运行性能进行评测，需要实际运行该程序；二是所得时间的统计量依赖于计算机的硬件、软件等环境因素, 这种方式要在同一台计算机的相同状态下运行，才能比较那个算法速度更快。

1.2 事前估算法

通过分析某个算法的时间复杂度来判断哪个算法更优。

2. 时间频度

一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度，记为T(n)。

3. 时间复杂度介绍

一般情况下，算法中的基本操作语句的重复执行次数是问题规模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))，称O(f(n))为算法的渐进时间复杂度，简称时间复杂度。

T(n)不同，但时间复杂度可能相同。如：T(n)=n²+7n+6与T(n)=3n²+2n+2， T(n)不同，但时间复杂度相同，都为O(n²)。

4. 计算时间复杂度的方法

（1）忽略常数项  T(n)=3n²+2n+2 => T(n)=3n²+2n

如：2n+20和3n+10，随着n变大，20和10这样的常数项可以被忽略。

（3）忽略低次项  T(n)=3n²+2n => T(n)=3n²

如：2n2+3n和n2+5n，随着n变大，n2快速增加，3n和5n这样的低次项增长太慢，可以被忽略。

（4）忽略系数  T(n)=3n² => T(n)=n² => O(n²)

如：5n2和3n2，随着n变大，两个数的曲线差距减小，5和3这样的系数可以被忽略。

5. 常见的时间复杂度

（按时间复杂度从低到高）

（1）随着问题规模 n 的不断增大，上述时间复杂度不断增大，算法的执行效率越低。

（2）应该尽可能避免使用指数阶的算法，同时尽可能使用常数阶的算法。

6. 平均时间复杂度和最坏时间复杂度（附表格）

（1）平均时间复杂度，是指所有可能的输入实例均以等概率出现的情况下，该算法的运行时间。

（2）最坏情况下的时间复杂度称为最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限，保证了算法的运行时间不会比最坏情况更长。

（3）平均时间复杂度和最坏时间复杂度是否一致，和算法有关。

排序法	是否原地排序	是否稳定	最好、最坏、平均时间复杂度	空间复杂度	是否基于比较
冒泡	是	是	O(n)、O(n^2)、O(n^2)	O(1)	是
插入	是	是	O(n)、O(n^2)、O(n^2)	O(1)	是
选择	是	否	O(n^2)、O(n2)、O(n2)	O(1)	是
希尔	是	否	O(n)、O(n2)、O(n1.3)	O(1)	是
快速	是	否	O(nlogn)、O(n^2)、O(nlogn)	O(logn)~O(n)	是
归并	否	是	O(nlogn)、O(nlogn)、O(nlogn)	O(n)	是
计数	否	是	O(n+k)、O(n+k)、O(n+k)，k是数据范围	O(n+k)	否
桶	否	是	O(n)、O(n)、O(n)	O(N+M)，N表示待排数据个数，M表示桶个数	否
基数	否	是	O(nk)、O(nk)、O(n*k)，k是维度	O(n+k)	否
堆	是	否	O(nlogn)、O(nlogn)、O(nlogn)	O(1)	是