1.大O表示法
算法的执行时间与每行代码的执行次数成正比,即:T(n)=O(f(n))。其中T(n) 是算法的执行总时间,f(n)是每行代码的执行次数,n是数据的规模(不包含常量阶,低阶,以及系数)。
2.复杂度量级(按数量级递增)
- 常量阶O(1):只要代码的时间不随n的增大而增长,都记为O(1)。
- 对数阶O(logn):n作为结束值,代码数量固定成倍数增长。例:i=1; while (i <= n) {i = i * 2;}
- 线性阶O(n)
- 线性对数阶O(nlogn)
- 平方阶O(n²)、立方阶O(n³)……
3.时间复杂度分析(渐进时间复杂度)
- 只关注循环执行次数最多的一段代码
- 加法法则:总复杂度等于量级最大的那段代码的复杂度。即:如果 T1(n)=O(f(n)),T2(n)=O(g(n));那么T(n)=T1(n)+T2(n)=max(O(f(n)),O(g(n))) =O(max(f(n)),
- 乘法法则:嵌套代码的复杂度等于嵌套内外代码复杂度的乘积。即:如果 T1(n)=O(f(n)),T2(n)=O(g(n));那么 T(n)=T1(n)*T2(n)=O(f(n))*O(g(n))=O(f(n)*g(n)).
4.空间复杂度分析(渐进空间复杂度)
我们常见的空间复杂度就是 O(1)、O(n)、O(n²),像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都
用不到。例:int[] a = new int[n] 为O(n)
5.最好情况时间复杂度:代码在最理想情况下执行的时间复杂度
6.最坏情况时间复杂度:代码在最坏情况下执行的时间复杂度
7.平均情况时间复杂度(加权平均时间复杂度、期望时间复杂度):用代码在所有情况下执行的次数的加权平均值表示
8.均摊时间复杂度(一般等于最好情况时间复杂度)
对一个数据结构进行一组连续操作中,大部分情况下时间复杂度都很低,只有个别情况下时间复杂度比较高,而且这些操作之间存在前后连贯的时序关系,这个时候,我们就可以将这一组操作放在一块儿分析,看是否能将较高时间复杂度那次操作的耗时,平摊到其他那些时间复杂度比较低的操作上。