时间复杂度

算法的耗时和语句的执行次数是成正比的，即语句执行越多，耗时越多。这也就是我们引入概念的原因。

2.简单算法的时间复杂度举例

列举一些简单例子的时间复杂度。

O(1)的算法是一些运算次数为常数的算法。例如：

    temp=a;a=b;b=temp;

上面语句共三条操作，单条操作的频度为1，即使他有成千上万条操作，也只是个较大常数，这一类的时间复杂度为O(1)。

O(n)的算法是一些线性算法。例如：

    sum=0；                 

     for(i=0;i<n;i++)       

         sum++；

上面代码中第一行频度1，第二行频度为n，第三行频度为n，所以f(n)=n+n+1=2n+1。所以时间复杂度O(n)。这一类算法中操作次数和n正比线性增长。

 

O(logn) 一个算法如果能在每个步骤去掉一半数据元素，如二分检索，通常它就取 O(logn)时间。举个栗子：

    int i=1; 

    while (i<=n) 

       i=i*2; 

上面代码设第三行的频度是f(n),   则：2的f(n)次方<=n;f(n)<=log₂n，取最大值f(n)= log₂n，所以T(n)=O(log₂n ) 。

 

O(n²)（n的k次方的情况）最常见的就是平时的对数组进行排序的各种简单算法都是O(n²)，例如直接插入排序的算法。

而像矩阵相乘算法运算则是O(n³)。

举个简单栗子：

    sum=0；                

     for(i=0;i<n;i++)  

        for(j=0;j<n;j++) 

           sum++；

第一行频度1，第二行n，第三行n²，第四行n²，T(n)=2n²+n+1 =O(n²)

 

O(2的n次方) 比如求具有n个元素集合的所有子集的算法 

 

O(n!) 比如求具有N个元素的全排列的算法

 

时间复杂度按n越大算法越复杂来排的话：常数阶O(1)、对数阶O(logn)、线性阶O(n)、线性对数阶O(nlogn)、平方阶O(n²)、立方阶O(n³)、……k次方阶O(n的k次方)、指数阶O(2的n次方)。

 

既然说到了这个复杂排序，就必须再多说几句。我们还需要区分算法最坏情况的行为和期望行为。就比如说快速排序，最坏情况运行时间是 O(n²)，但期望时间是O(nlogn)。但是我们只要通过一些手段，可以避免最坏情况发生，所以在实际情况中，精心设计的快速排序都能以期望时间运行。

 

最后再提一下指数的情况。指数算法一般来说太复杂了，所以实际情况下如果不是迫不得已不要用时间复杂度为指数的算法，除非n特别小。