算法基础 — 时间复杂度

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