算法时间复杂度分析（2）

常见的复杂度分析

没有数据规模的变化

存在一个循环，循环的次数和n相关

Cn次，可能c不是大于1的数

存在一个双重循环，都与n有关

反例：

分析循环复杂度的时候，我们要看循环的起始点，终始点，最关键的是每次增量的变化：

验证自己程序复杂度的方法

方式1：

可以在这个基础上降一个数量级，比如程序在1s内可以执行1000规模内的数据，大致是O(n^2):

但是这种方式可能会受到前面常数项的影响

 

方式2：

测试

运行结果：

从结果可知，当数据规模乘上2，那么消耗的时间也乘上2，说明复杂度是0(n)

从结果可知，当数据规模乘上2，那么消耗的时间也乘上4，说明复杂度是0(n^2)

特点：随着数据规模的增加，时间增加的倍数一直在减少

数据规模每扩大两倍，时间基本扩大两倍多一点点

O(n)和O(nlogn)差距差不多

递归算法的复杂度分析

递归的深度是logn,每层处理元素为n