1、常量阶Ο(1)
只要代码的执行时间不随 n 的增大而增长,这样代码的时间复杂度都记作 O(1)。或者说,一般情况下,只要算法中不存在循环语句、递归语句,即使有成千上万行的代码,其时间复杂度也是Ο(1)
2、对数阶O(logn)
i=1;
while (i <= n) {
i = i * 2;
}
i 的取值是一个首项为 1,整体是一个公差为 2 的等比数列:
2º·2¹·2²·2³····2ⁿⁿ = n,
其中 nn 即为项数,求对数即 nn=log2^n。
也就是当循环 log2^n 次之后代码就结束了,所以时间复杂度为 O(logn)。
3、线性阶、n方阶O(n)
for(i=1; i<=n; ++i)
{
j = i;
j++;
}
一般情况下,如果循环体内循环控制变量为线性增长,那么包含该循环的算法的时间复杂度为O(n)。
4、线性对数阶O(nlogN)
for(m=1; m<n; m++)
{
i = 1;
while(i<n)
{
i = i * 2;
}
}
线性对数阶O(nlogN) ,将时间复杂度为O(logn)的代码循环N遍的话,那么它的时间复杂度就是 n * O(logN),也就是了O(nlogN)。
即当一个线性阶代码段法嵌套一个对数阶代码段,该算法的时间复杂度为O(nlogn)
5、指数阶和阶乘阶
参考上面的O(n²) 去理解,O(n³)相当于三层n循环,
根据函数,随着n的增加,运行时间会无限急剧增加,因此效率非常低下