时间复杂度分析

影响时间复杂度的因素主要有1，机器硬件速度；2，书写程序的语言；3，数据规模 n；4，数据分布 D（原始数据的排列方式）。暂且不考虑硬件速度和程序语言，假设算法运行时间为T = f (D, n)

确定基本操作

例：s = 0; for(i = 0; i < n; i++) s = s + i;

假设赋值运算所需时间为c1秒，一次加法为c2秒，那么算法总运行时间T = c1 + c2*n + c2*n ，再假设c1和c2近似相等，则化简为T/c1 = 1 + 2n ，T为绝对时间，T/c1为相对时间，含义是基本操作执行的次数。下面还是将T作为基本操作执行次数，即T = 1 + 2n。所以为了比较不同算法效果，通常做法是：从算法中选取是对所研究问题来说是基本运算的操作，以该操作重复执行的次数作为算法的时间度量。

处理数据分布

比方一个数组，考虑三种分布：升序，降序，随机排序，采用插入排序方法，升序时间最短，降序最长，第三种可以通过概率分布求出平均时间。我们用三种极端情况代替概率分布，分别是最好情况，最坏情况，平均情况，即Tworst, Tbest, Tavg。通常只要分析最坏情况就行，一般下T = f (n) 表示最坏情况下时间复杂度关系式

函数关系的简化与渐进分析

T(n) 往往是复杂数学公式，一种新的表示方法叫函数的界或函数的阶，将函数T(n)分成几种类别，任何算法的复杂度都属于某一个类别。如T1 = n^2, T2 = 1/2n^2 + 1/2n , n趋于无穷时T1和T2同阶，所以可以表示成T1 = O(n^2), T2 = O(n^2)。这种表示称为大O表示法，本质是只取函数变化最快的项代表时间复杂度的阶

非递归算法的时间复杂度类型

T = O(n)，T = O(n)，T = O(n^2)没什么好说的

T = O(nlog2 n)的二重循环，例如：for(int i = 1; i <= n; i *= 2)  for(int j = 1; j <= n; j++) count = count + 1; 最里面循环执行n次，外面那层循环假设执行次数为f(n)，2^f(n) <= n ，所以最多执行次数为log2 n

递归算法时间复杂度分析

以汉诺塔为例：ABC三个柱子，A柱有n个盘子，盘子由大到小从下到上放置，要求将A柱上盘子移到C柱上，但是一次只能移动一只盘子，小盘子只能在大盘子上面。

算法设计: public void hanoi(int n, char A, char B, char C){

if(n == 1) move(A, C);

else{ hanoi(n-1, A, B, C);  //将上面n-1个盘子移到B柱上

move(A, C);  //将最下面的盘子移到C柱上面去

hanoi(n-1, B, A, C); //将B柱上n-1个盘子移到C柱上

本题的基本操作为move(A, C)，递归关系式为T(n) = 2T(n-1) + 1, T(1) = 1，求解后T(n) = 2^n - 1即T(n) = O(2^n)