时间复杂度包括O(1),O(n) O(n^2),O(logn),O(nlogn)
这是算法的的时间复杂度的表示,这不仅仅用于表示时间复杂度,也用于表示空间复杂度。O后面括号中有一个函数指明某个算法的耗时或说耗空间与数据增长量之间的关系。其中的n代表输入数据的量。
O则描述的是算法的运行时间和输入数据之间的关系。
1、时间复杂度O(1)
若运行时间跟n的取值无关,即无论n到什么值 ,运行时间都不会变,则时间复杂度就为O(1),只要基本操作执行次数是常量,时间复杂度都为O(1)。
这也是时间复杂度里面最低的了,它的耗时或耗空间与输入数据大小无关,无论输入数据增大多少倍,耗时或 耗空间都不会变。
其中hash算法就是较典型的O(1)时间复杂度,无论数据规模多大,都可以一次计算后找到需要的数据(这里不考虑冲突的情况)
如下给定一个非负整数 number,反复将各个位上的数字相加,直到结果为一位数时返回这个结果
public integer plus(integer number){
return (number -1 ) % 9 + 1;
}
2、时间复杂度O(n)
这个复杂度就代表数据量增大多少倍,耗时也增大多少倍。比如我们常见的遍历算法,
一般出现在只有一个循环的情况下,执行次数是线性的,如下:
public void test(integer number){
for(int i = 0;i<number; i++){
// 你的其它业务代码
}
}
3、时间复杂度O(n^2)
表示数据量增大n倍时,耗时就增大n的平方倍,这比线性计算更高的时间复杂度了,还比如我们用到的冒泡排序算法,就是典型的O(n^2)复杂度,对n个数排序,则需要扫描nxn次才能完成 。
这个复杂度一般出现在有嵌套循环中,比如:
public void test(integer number){
int a = 1;
int b = 1;
for(int i = 0;i<number; i++){
for(int j = 0;j<number; j++){
a++;
// 你的其它业务代码
}
b++;
}
}
4、时间复杂度O(logn)
当数据增大n倍时,耗时增大logn倍(log是以2为底,比如,当数据增大256倍时,耗时只增大8倍,比线性计算还要低的时间复杂度了)。
比如,二分查找就是O(logn)的算法复杂度,每找一次排除一半的可能,256个数据中查找只需要找8次就可以找到目标。
补充:
指数函数:一般地,y=a^x函数(a为常数 且以a>0,a≠1)称为指数函数。y=a^x表示a的x次方。
对数函数:如果a^x=n (a>0,且a≠1) ,那么数x叫做以a为底N的对数,记作x=lognaN,读作以a为底N的对数,其中a叫做对数的底数,N叫做真数。
5、时间复杂度O(nlogn)
就是n乘以logn,当数据增大256倍时,耗时则增大256*8 = 2048倍。这个复杂度高于线性 低于平方。比如归并排序算法就是O(nlogn)的时间复杂度。
说这么多来总结一下下:
总的来说时间复杂度的推导过程遵循3个原则 ;
- 去掉高阶项前面的系数
- 只保留时间函数中的最高阶
- 如果运行时间跟n无关,是常数,否则时间复杂度是O(1)
如有错误,请指正