浅谈算法设计--时间空间复杂度基本概念 no2._10n2的时间复杂度是多少-CSDN博客

本文链接：https://blog.csdn.net/qq_37870369/article/details/89181059

算法：

是指令的集合，是为解决特定问题而规定的一系列操作。
他是明确定义的可计算过程，以一个数据集合作为输入，并产生一个数据集合作为输出。

一个算法通常来说具有以下五个特性：

输入：一个算法应以待解决的问题的信息作为输入的对象
输出：输出对应指令集处理后得到的信息
可行性：算法是可行的，即算法中的每一条都是可以实现的，均能在有限的时间内完成。
又穷性：算法执行的指令个数是有限的，每个指令有事在有限的时间内完成的，因此整个算法也是在有限的时间内可以结束。
确定性：算法对于特定的合法输入，其对应的输出是唯一的。即当算法从一个特定输入开始，多次执行同一指令结果一致。

简单的说，算法就是计算机解题的过程，
在这个过程中，无论是形成解题思路还是编写程序，都是在实施某种算法。
前者是算法的逻辑形式，后者是算法的代码形式。

举例：如何求0+1+2+3…100000=?
算法一：依次相加while for …
算法二：高斯解法：首尾相加50 矩形算法：（1+100000） * 100000/2 三角形算法：100000 * 100000 /2
算法三：使用递归算法实现：sum(100)=sum(99)+100 sum(99)=sum(98)+99…sum(2)=sum(1)+2 sum(1)=1

评价算法优劣的依据：复杂度（时间复杂度和空间复杂度）

时间复杂度：算法需要的计算工作量
空间复杂度：算法所需要的内存空间
一个优秀的算法，应该在时间上和空间使用上优于其他算法。

时间复杂度（Time Complexity）定义
时间频度：

一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行才能知道。但我们不可能也灭有必要对每个算法都上级测试。
一个算法花费的时间与算法中语句的执行次数成正比例，那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，表示为T（n），n表示问题的规模。

时间复杂度：
但有时我们想知道它变化呈现什么规律，想知道问题的规模，而不是具体的次数，此时引入时间复杂度。一般情况下，算法中基本操作重复执行的次数是问题规模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）的极限为不等于零的常数，则称f（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）=O（f（n））
。或者说：时间复杂度就是时间频度去掉低阶项和首项长度。
注意：时间频度与时间复杂度是不同的，时间频度不同但世界复杂度可能相同。
比如：某两个算法的时间频度是T（n）=100000n²+10n+6 T（n）=10n²+10n+6 T（n）=n²
但是时间复杂度都是T（n）=O（n²）

最坏的世界复杂度和平均时间复杂度：
最坏情况下的时间复杂度称为最坏时间复杂度，一般不特别说明，讨论的时间复杂度是最坏情况下的时间复杂度。
这样做的原因是：最坏情况下的时间复杂度是算法在任何输入实际上运行时间的上届，这就保证了算法的运行时间不会比在最坏情况下的时间复杂度为T（n）=O（n），它表示对于任何输入实例，该算法的运行时间不可能大于O（n）。

平均时间复杂度是指所有可能的输入实例均以等概率出现的情况下，算法的期望运行时间。鉴于平均复杂度
第一：难计算，
第二：有很多算法的平均情况下和最差情况的复杂度是一样的。
所有讨论最坏时间复杂度

为了进一步说明算法的世界复杂度，我们定义O Ω θ符号
O符号给出了算法世界复杂度的上界（最坏情况<=），比如T（n）=O（n²）
Ω符号给出了时间复杂度的下界（最好情况>=），比如T（n）=Ω（n²）
而θ给出了算法时间的精确阶（最好和最坏是同一阶=），比如T（n）=θ（n²）

时间复杂度计算
根本没有必要计算时间频度，即使计算机处理还要忽略常量，低次幂和最高次幂的系数，所以可以采用如下简单方法：

找出算法中的基本语句：
算法中依次执行次数最多的那条语句就是基本语句，通常是最内层的循环体。
计算基本语句的执行次数的数量级：

只需要计算基本语句执行次数的数量级，这就意味着只要保证基本语句执行的函数中的最高次幂正确即可。
可以忽略所有低次幂和最高次的系数，这样就能够简化算法分析。并且使注意力集中在最重要的一点上：增长率/
用大O记号表示算法的时间性能。
将基本语句执行次数的数量级放入大O记号中。

时间复杂度的举例：