一个算法的复杂性体现在运行该算法时计算机所需资源的多少上,计算机资源最重要的是时间和空间资源,因此时间复杂度可分为时间和空间复杂度。
时间复杂度:执行算法所需要的计算工作量
空间复杂度:执行算法所需要的内存空间
时间复杂度(Time complexity)
了解时间复杂度前,让我们先了解一个概念 “频度”。
频度:一个语句被重复执行的次数,一个算法中所有语句的频度和记为T(n)
时间复杂度主要就是分析T(n)的数量级
T(n):描述规模为n的问题的一个函数
看以下程序
int a=0;
int b=0;
int c=0;
for(int i=0;i<n;i++){
a=a+1;
b=b+2;
}
for(int i=0;i<2*n;i++){
for(int j=0;j<n;j++){
c=c+3
}
}
cout << a <<endl;
cout << b <<endl;
cout << c <<endl;
我们知道,每一行语句执行都会需要一定的时间,假设每行语句执行需要1个时间单元,那么以上算法程序执行共需要的时间单元为:
3+2*n+2*n*n+3 = 6+2*n+2*n^2 个时间单元
记 T(n) = 6+2*n+2*n^2 (n^2表示n的平方)
函数图像如下:(横轴:n 纵轴:T(n))
采用T(n)的方式来描述时间复杂度是准确的,但过于细节,假设以上程序循环体中的语句发生改变,如增加或删除几行语句,那么T(n)可能是
2*n+3*n^2+6 、5*n+30*n^2+6 、 6*n+10*n^2+6 ......
T(n)描述的时间复杂度对于同一类规模的算法有很多种描述方式,这显然是比较麻烦且没有必要的,而且同一算法在不同环境下运行的性能是不一样的,很难用一个确切的公式来表示。
这里,我们采用另一种通用的方式来表示“时间复杂度”。
渐进时间复杂度
算法中的基本运算语句与T(n)是同数量级的,因此通常采用算法中的基本运算频度(记为f(n))来分析我们算法的时间复杂度,记为BigO,它们的关系表示T(n) = O(f(n)),简写O(n)。
基本运算语句:常指算法程序中最深层循环内的语句
f(n):基本运算频度的一个函数,随算法问题的规模n变化
O(n):用于描述算法的复杂度,称为大O表示法
我们在用O(n)描述算法的时间复杂度时,不会包括这个函数的低阶项和首项系数,使用这种方式时,时间复杂度可被称为是渐进的,即渐进时间复杂度。
刚才的:T(n)=6+2*n+2*n^2
现在我们假设输入的n足够大,那么这个算法程序执行所需要的时间时间单元也会很大,则常数6对结果的影响可以忽略不记,如果n无穷大,那么它每一项的系数“2”对结果的影响也可以忽略,如果n无穷无穷大,则低阶的项也可以忽略,则渐进时间复杂度记为:
O(n)=n^2
渐进时间复杂度并不是用于来真实代表算法的执行时间的,而是表示执行时间随问题规模n增长的变化趋势。
常见时间复杂度的一些实例(从低到高):
常数阶:O(n)=1
int sum=0,n=10;//执行1次
sum+=n*(n+1);//执行1次
sum++;//执行1次
cout<<sum;//执行1次
线性阶:O(n)=n
int sum=0;
for(int i=0;i<n;i++){
sum++;
cout<<sum;
}
对数阶:O(n)=log n
int num=1;
while(num<n){
num*=2;
}
平方阶:O(n)=n^2
int n=10;
for(int i=0;i<n;i++)
for(int j=10;j>i;j--){
}
}
阶乘阶:O(n)=n!
int fac(int n){
cout<<n*fac(n-1);
}
复杂度图示比较