Java中代码的时间复杂度

Java中代码的时间复杂度

四个场景，分别对应了程序中最常见的四种执行方式：

场景1

T（n） = 3n，执行次数是线性的

场景2：

T（n） = 5logn，执行次数是对数的

场景3：

T（n） = 2，执行次数是常量的

场景4：

T（n） = 0.5n^2 + 0.5n，执行次数是一个多项式

有了基本操作执行次数的函数 T（n），是否就可以分析和比较一段代码的运行时间了呢？还是有一定的困难。

比如算法A的相对时间是T（n）= 100n，算法B的相对时间是T（n）= 5n^2，这两个到底谁的运行时间更长一些？这就要看n的取值了。

所以，这时候有了渐进时间复杂度（asymptotic time complectiy）的概念，官方的定义如下：

若存在函数 f（n），使得当n趋近于无穷大时，T（n）/ f（n）的极限值为不等于零的常数，则称 f（n）是T（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。

渐进时间复杂度用大写O来表示，所以也被称为大O表示法。

如何推导出时间复杂度呢？有如下几个原则：

如果运行时间是常数量级，用常数1表示。

只保留时间函数中的最高阶项

如果最高阶项存在，则省去最高阶项前面的系数。

让我们回头看看刚才的四个场景。
场景1：

T（n） = 3n

最高阶项为3n，省去系数3，转化的时间复杂度为：

T（n） = O（n）

场景2：

T（n） = 5logn

最高阶项为5logn，省去系数5，转化的时间复杂度为：

T（n） = O（logn）
场景3：

T（n） = 2

只有常数量级，转化的时间复杂度为：

T（n） = O（1）
场景4：

T（n） = 0.5n^2 + 0.5n

最高阶项为0.5n^2，省去系数0.5，转化的时间复杂度为：

T（n） = O（n^2）

我们来举过一个例子：

算法A的相对时间规模是T（n）= 100n，时间复杂度是O(n)

算法B的相对时间规模是T（n）= 5n^{2，时间复杂度是O(n}2)，

算法A运行在小灰家里的老旧电脑上，算法B运行在某台超级计算机上，运行速度是老旧电脑的100倍。

那么，随着输入规模 n 的增长，两种算法谁运行更快呢？

从表格中可以看出，当n的值很小的时候，算法A的运行用时要远大于算法B；当n的值达到1000左右，算法A和算法B的运行时间已经接近；当n的值越来越大，达到十万、百万时，算法A的优势开始显现，算法B则越来越慢，差距越来越明显。

这就是不同时间复杂度带来的差距。