时间复杂度python

计算机原子操作（来源：数据结构与算法python语言实现）

一个原子操作相当于一个低级别的指令，其执行时间是常数，在理想情况下，这可能是被硬件执行的基本操作类型，

常见的原子操作：

• 给对象指定一个标示符 
• 确定与这个标示符相关的对象
• 执行算术运算（例如，加法）
• 比较两个数的大小
• 通过索引访问python列表的一个元素
• 调用函数
• 函数返回

分析算法时，存在几种可能的考虑：

• 算法完成工作最少需要多少基本操作，即最优时间复杂度
• 算法完成工作最多需要多少基本操作，即最坏时间复杂度
• 算法完成工作平均需要多少基本操作，即平均时间复杂度

对于最优时间复杂度，其价值不大，因为它没有提供什么有用信息，其反映的只是最乐观最理想的情况，没有参考价值。

对于平均时间复杂度，是对算法的一个全面评价，因此它完整全面的反映了这个算法的性质。但另一方面，这种衡量并没有保证，不是每个计算都能在这个基本操作内完成。

对于最坏时间复杂度，提供了一种保证，表明算法在此种程度的基本操作中一定能完成工作。故一般我们按照最坏的情况把算法的运行时间表示为输入大小为n的函数。

常用的函数

 1   常数函数                                f(n) = c 

他描述了计算机上需要做的基本操作的步数，例如上面的所列的常见的原子操作。例如：

def square(x):
    return x*x

 2    对数函数                              x = logn(以2为底) 

常见的在许多算法中的，反复把一个输入分成两半，  例如二分查找算法

关键点：     log16=4,也可以这样计算：(((16/2)/2)/2)/2=1，则log16=4,即对正整数n，用n除以2，只有当结果小于等于1时才停止除法操作。logn的值即为n除以2的次数。{(((16/2)/2)/2)/2=1，可以看做是反复把输入分成两半}

对特殊情况，log12=4,是因为(((12/2)/2)/2)/2=0.75<=1,一般会对特殊情况向上取整，近似计算，

def bi_search_iter(alist,item):
    left,right = 0,len(alist)- 1
    while left <= right:
        mid = (left+right)//2
        if alist[mid] < item:
            left = mid + 1
        elif alist[mid] > item:
            right = mid - 1
        else:
            return mid
    return -1


num_list = [1,2,3,4,5,6,7,8]
print(bi_search_iter(num_list,8))
7

3    线性函数                               f(n）=n

这个函数出现在我们必须对所有n个元素的做基本的操作的算法分析的任何时间，例如，比较数字x与数组大小为N的每一个元素，需要做n次的比较。例如：

def findMax(lists):
    if lists == None:
        return None
    maxNum = lists[0]
    for i in lists:
        if i > maxNum:
            maxNum = i
    return maxNum

lists = [3,4,6,2,8,28]#最大的数在最后，要找到最大数，至少要比较6次
print(findMax(lists))
28

 

4 nlogn函数                               f(n）= nlogn

经常出现在对n个任意数进行排序中，

 

5二次函数                                 f(n) = n^2

许多算法中都有嵌套循环，内层循环和外层循环，算法执行的时间为n*n=n^2

number = [[12,23,45],[34,56,78],[12,34,56]]
for i in range(len(number)):
    for j in range(len(number[i])):
        print(number[i][j])
12
23
45
34
56
78
12
34
56

6 三次函数                                   f(n) = n^3

这个函数在算法分析中比较少见。

 

评估算法运行时间

假设T(a) 最慢的基本操作所需的时间，T(n)为算法运行的时间，T(b)为最快的基本操作时间，三者应满足上式关系，

  故在评价运行时间时，通常使用近似法表示，

常见的近似法有：

1. Big-O记法，
2. Big-Theta记法
3. Big- Omega记法

 

Big-O记法（下图来自万门大学）

Big-Theta记法

Big- Omega记法