时间复杂度

时间复杂度

  时间复杂度（也叫大O记法）,众所周知，python这门语言现在之所以这么火热，就是因为人工智能的大趋势。在这个趋势下，适合进行大量计算的python就有非常大的优势。最近谷歌的AlphaZero已经初步具备了主观能动性，也就是说已经有一定的自主学习能力，看来科幻电影里面的情节，是有希望实现的。AlphaZero的底层语言开发使用的是go和python。go在其中担当处理高并发的环节，而python则在于算法。

  我们如果想要在开发的路上走得很远，那么算法将是伴随我们终身的，所以说算法一定要6。而时间复杂度，则影响一个算法的优劣（实现算法程序的执行时间可以反映出算法的效率）

  定义：如果一个问题的规模是n，解这一问题的某一算法所需要的时间为T(n)，它是n的某一函数 T(n)称为这一算法的“时间复杂性”。当输入量n逐渐加大时，时间复杂性的极限情形称为算法的“渐近时间复杂性”。

12  O（1） 常数阶

2n+3 O（n） 线性阶

另外还有平方阶 ， 对数阶  ， nlogn阶 ， 立方阶 ，指数阶等

  那我们今天借用一下python中的列表来进行一个小测试:

from timeit import Timer

def t1():

l = [] ;

for i in range( 1000):

l = l+[i] ;

def t2():

l = [] ;

for i in range( 1000):

l.append(i) ;

def t3():

l = [i for i in range( 1000)]

def t4():

l = list( range( 1000))

timer1 =Timer( 't1()' , 'from __main__ import t1'); #前者类方法，后者类方法所指的文件名

print( 'conact' , timer1.timeit( number = 1000) , 'seconds')

timer2 = Timer( 't2()' , 'from __main__ import t2')

print( 'append' , timer2.timeit( number = 1000) , 'seconds')

timer3 = Timer( 't3()' , 'from __main__ import t3')

print( 'comprehension' , timer3.timeit( number = 1000) , 'seconds')

timer4 = Timer( 't4()' , 'from __main__ import t4')

print( 'list range' , timer4.timeit( number = 1000) , 'seconds')

  从上看来，我们让python利用4中不同的方法去进行创建一个[0,999]的列表;显而易见，出去硬件方面的因素，不同的算法是有不同的处理时间的。一个算法的优劣，可以完全影响到一个项目的上限。