数据结构与算法之时间复杂度

算法的时间复杂度

度量一个程序(算法)执行时间的两种方法
1、事后统计的方法
这种方法可行, 但是有两个问题：一是要想对设计的算法的运行性能进行评测，需要实际运行该程序；二是所得时间的统计量依赖于计算机的硬件、软件等环境因素, 这种方式，要在同一台计算机的相同状态下运行，才能比较那个算法速度更快。
2、事前估算的方法
通过分析某个算法的时间复杂度来判断哪个算法更优.

举例说明–>忽略常数项


举例说明–>忽略低次项


举例说明–>忽略系数


时间复杂度
1）一般情况下，算法中的基本操作语句的重复执行次数是问题规模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。

2）T(n) 不同，但时间复杂度可能相同。 如：T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的T(n) 不同，但时间复杂度相同，都为O(n²)。
3）计算时间复杂度的方法：

1.用常数1代替运行时间中的所有加法常数 T(n)=n²+7n+6 => T(n)=n²+7n+1
2.修改后的运行次数函数中，只保留最高阶项 T(n)=n²+7n+1 => T(n) = n²
3.去除最高阶项的系数 T(n) = n² => T(n) = n² => O(n²)

常见的算法复杂度
1)常数阶O(1)
2)对数阶O(log2n)
3)线性阶O(n)
4)线性对数阶O(nlog2n)
5)平方阶O(n^2)
6)立方阶O(n^3)
7)k次方阶O(n^k)
8)指数阶O(2^n)

如图

说明：

常见的算法时间复杂度由小到大依次为：Ο(1)＜Ο(log2n)＜Ο(n)＜Ο(nlog2n)＜Ο(n2)＜Ο(n3)＜ Ο(nk) ＜Ο(2n) ，随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低
从图中可见，我们应该尽可能避免使用指数阶的算法

对数阶O(log2n)

线性对数阶O(nlogN)