算法的时间复杂度介绍

目录

 

度量一个程序(算法)执行时间的两种方法

事后统计的方法

事前估算的方法

时间频度

计算时间复杂度的方法：

常见的时间复杂度

平均时间复杂度和最坏时间复杂度

---

度量一个程序(算法)执行时间的两种方法

事后统计的方法

这种方法可行, 但是有两个问题：

一是要想对设计的算法的运行性能进行评测，需要实际运行该程序；

二是所得时间的统计量依赖于计算机的硬件、软件等环境因素, 这种方式，要在同一台计算机的相同状态下运行，才能比较那个算法速度更快。

事前估算的方法

通过分析某个算法的时间复杂度来判断哪个算法更优.

时间频度

基本介绍：一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。

一般情况下，算法中的基本操作语句的重复执行次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n)，使得当n趋近于无穷大时，T(n) / f(n) 的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作 T(n)=Ｏ( f(n) )，称Ｏ( f(n) )  为算法的渐进时间复杂度，简称时间复杂度。

T(n) 不同，但时间复杂度可能相同。 如：T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的T(n) 不同，但时间复杂度相同，都为O(n²)。

计算时间复杂度的方法：

• 用常数1代替运行时间中的所有加法常数  T(n)=n²+7n+6  => T(n)=n²+7n+1
• 修改后的运行次数函数中，只保留最高阶项  T(n)=n²+7n+1 => T(n) = n²
• 去除最高阶项的系数 T(n) = n² => T(n) = n² => O(n²)

常见的时间复杂度

• 对数阶O(log2n)

• 线性阶O(n)

• 线性对数阶O(nlogN)

• 平方阶O(n²)

平均时间复杂度和最坏时间复杂度