时间复杂度分析（数据结构与算法）

码农小Q

已于 2022-07-07 14:05:26 修改

阅读量528

点赞数

分类专栏：数据结构与算法文章标签： leetcode 数据结构算法

于 2022-06-20 21:20:05 首次发布

本文链接：https://blog.csdn.net/qq_31464633/article/details/125310517

版权

数据结构与算法专栏收录该内容

1 篇文章 0 订阅

订阅专栏

（参考：极客时间数据结构与算法专栏）

事后统计法：将代码运行一遍，通过统计、监控得到算法执行的时间和占用的内存大小。

事后统计法局限性：

1、非常依赖测试环境；

2、结果受数据规模的影响很大。

由于事后统计法有局限性，我们就需要不用具体的测试数据来测试，就能粗略估计算法执行

效率的方法，这就是大O复杂度表示法。

大O公式：

$T(n) = O(f(n))$

大O公式中T(n)它表示代码执行的时间，n 表示数据规模的大小，f(n) 表示每行代码执行次数

总和，O表示代码的执行时间 T(n) 与 f(n) 表达式成正比。大O公式表示代码执行时间随数据规模增

长的变化趋势，并不是代码执行的实际时间。

具体分析如下：

注：我们假设每行代码执行的时间都一样，为 unitTime。

private int cal(int n) {
   int sum = 0;
   int i = 1;
   for (; i <= n; ++i) {
     sum = sum + i;
   }
   return sum;
 }

以上代码第 2、3 行代码分别需要 1 个 unitTime的执行时间，第 4、5 行都运行了 n 遍，需要

2n* unitTime的执行时间，这段代码总的执行时间就是 (2n+2)*unitTime，用公式表示即：

$T(n)=(2n+2)*unitTime$

private int cal(int n) {
   int sum = 0;
   int i = 1;
   int j = 1;
   for (; i <= n; ++i) {
     j = 1;
     for (; j <= n; ++j) {
       sum = sum +  i * j;
     }
   }
 }

同理可分析得出以上代码的执行时间为： $T(n) = (2n*2+2n+3)*unitTime$ 。

从上面两个例子可以看出，所有代码的执行时间 T(n) 与每行代码的执行次数 n 成正比，这个规律

也就是我们的大O公式 $T(n) = O(f(n))$ 。

前面是大 O 时间复杂度的由来和表示方法。那么如何分析一段代码的时间复杂度呢？主要有

三个方法：

1. 只关注循环执行次数最多的一段代码（取最大阶的量级）。例：

private int cal(int n) {
   int sum = 0;
   int i = 1;
   for (; i <= n; ++i) {
     sum = sum + i;
   }
   return sum;
 }

这段代码中第 2、3 行代码都是常量级的执行时间，与 n 的大小无关，对于复杂度没有影响。

循环执行次数最多的是第 4、5 行代码，执行了 n 次，所以总的时间复杂度就是 O(n)。

2. 加法法则：总复杂度等于量级最大的那段代码的复杂度。例：


private int cal(int n) {
   int sum_1 = 0;
   int p = 1;
   for (; p < 100; ++p) {
     sum_1 = sum_1 + p;
   }

   int sum_2 = 0;
   int q = 1;
   for (; q < n; ++q) {
     sum_2 = sum_2 + q;
   }
 
   int sum_3 = 0;
   int i = 1;
   int j = 1;
   for (; i <= n; ++i) {
     j = 1; 
     for (; j <= n; ++j) {
       sum_3 = sum_3 +  i * j;
     }
   }
 
   return sum_1 + sum_2 + sum_3;
 }

通过分析可以得出sum1的执行时间复杂度为常量（这段代码循环执行了 100 次，是一个常量的执行时间，跟 n 的规模无关。只要是一个已知的数，跟 n 无关，就是常量级的执行时间），

sum2的执行时间复杂度为O(n)，sum3的执行时间复杂度为O(n^2)，根据加法法则整段代码的时间

复杂度为O(n2)。抽象为公式即：

如果

$T1(n)=O(f(n))$ ， $T2(n)=O(g(n))$