算法的时间复杂度

本篇为阅读极客时间
数据结构与算法之美
王争 前Google工程师
讲课的笔记，侵删

时间复杂度

算法的时间复杂度并不是表示执行算法具体用的时间，而是表示代码的执行时间随着数据规模的变化趋势。
例如：

 int cal(int n) {
   int sum = 0;
   int i = 1;
   for (; i <= n; ++i) {
     sum = sum + i;
   }
   return sum;
 }

我们可以假设，执行每行代码的时间是一样的，为Unit_time,那么执行第二行int sum=0的时间为unit_time,执行第三行int i = 1的时间也为unit_time,第四、五行都运行了 n 遍，所以需要 2nunit_time的执行时间，因此总的执行时间为：
T(n) = 2unit_time+2n*unit_time=(2n+2)unit_time。
再例如：

 int cal(int n) {
   int sum = 0;
   int i = 1;
   int j = 1;
   for (; i <= n; ++i) {
     j = 1;
     for (; j <= n; ++j) {
       sum = sum +  i * j;
     }
   }
 }

那么执行第二、三、四行int sum=0的时间为unit_time,执行第五、六行为 n 遍，所以需要 2nunit_time的执行时间，第七、八行代码的是间为n ^ 2unit_time，
因此总的执行时间为：
T(n) = 3unit_time+n^2unit_time=(n ^ 2+2n+3)unit_time= O(n ^ 2+2n+3)。
当n无穷大时，起决定作用的是第一项，因此上式可以写为： T(n)=O(n ^ 2)
因此可以看到时间复杂度T(n)是与执行次数n成正比。

一般来说，时间复杂度写为：T(n)=O(f(n))。其中，T(n)为总的时间复杂度，f(n)是代码执行的总次数之和，O表示他们成正比。

如何分析时间复杂度

• 仅关注循环执行次数最多的一段代码。
  我们通常会忽略掉公式中的常量、低阶、系数，只需要记录一个最大阶的量级就可以了。
• 加法法则。
  一段代码的总复杂度=各段代码复杂度之和=量级最大的那段代码的复杂度
• 乘法法则。
  当有嵌套循环时，嵌套代码复杂度 = 嵌套内外代码复杂度的乘积。

常用的时间复杂度

其中，O(2^n)与O(n!)是非多项式量级。
注：

• O(1)表示代码运行复杂度是常量级，不存在循环，递归，不随n的增大而增大
• O(logn)表示代码如下：

 i=1;
 while (i <= n)  {
   i = i * 2;
 }

每循环一次，i变为原来的2倍，2 ^0 * 2^1*…2x = n,所以x=log2n。
不管底数是2，3还是其他数，都把他表示为logn，因为对数可以相互转换。

• O(m+n)，O(m*n)，对于这种情况，m,n是两个数据规模，并且无法知道m,n到底哪个更大。