关于时间复杂度之认识

       最近期中考，人家是在复习，而我则是在预习，真惭愧~~

    关于时间复杂度的问题纠结了很久很久，也是半懂不懂的，然后打算写篇博客来记录一下自己看书后的收获，也在这里记录一下关于时间复杂度的认识，说的不好或是不对的地方，请原谅。

    一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且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。

    一般情况下，算法中的基本操作重复执行的次数是问题规模n的某个函数f(n)，算法的时间度量记作

                                                T(n)=O(f(n))

它表示随问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，称作算法的渐近时间复杂度，简称时间复杂度。

很简单的一个例子：

for(i=0;i<n;i++)
for(j=0;j<n;j++)
{
		c[i][j]=0;
	for(k=0;k<n;k++)
	c[i][j]+=a[i][k]*b[k][j];
}

    上面的这个例子是“矩阵相乘问题”的基本操作。整个算法的执行时间与该操作重复执行的次数n³成正比，所以时间复杂度为T(n)=O(n³)；在这里我粗略的把计算机1秒运行的次数看作10⁸（具体的怎么说我也不知道，水平太辣鸡）。比如题目规定的时间为1秒，当n=1000时，时间复杂度为10，和计算机1秒运行次数进行比较得出时间超限……。

    算法还可能呈现的时间复杂度有对数阶O(log n)（例如：二分查找，还有分治乘方运算也是也是对数阶）、指数阶O(2ⁿ)等。一般情况下，对于问题（或一类算法）只需要一种基本操作来讨论算法的时间复杂度即可，当然有时也需要同时考虑几种基本的操作，甚至可以对不同的操作赋予不用的权值，以反映不同操作所需要的相对时间，这种做法便于综合比较解决同一问题的两种完全不同的算法。

点击打开时间复杂度