数据结构与算法（一）：用时间复杂度评价算法

参考书籍：《漫画算法》

&1.时间复杂度
实现一个相同的功能，不同的人会使用不同的算法、代码。那么，我们如何评定谁完成的更好呢？假如说有两个人参加同一场考试，得到了相同的分数，甲却只花了乙一半的时间就交卷了，直观上我们会认为，甲比乙厉害。算法也是这样，在实现同样的功能的前提下，某种算法运行的时间更短、占用的空间更小，我们就说这个算法更为优秀。但由于代码运行的开发环境不同，输入数据的大小不同，算法的绝对执行时间一般是无法预估的，我们通过预估算法中基本操作的执行次数来衡量时间复杂度。
我们设T(n)为程序基本操作执行次数的一个函数（或者把它视作程序相对执行时间的一个函数），n为输入数据的大小，执行次数有以下几种情况：
(1)执行次数是线性的，T(n)=3n

for i in range(n):
	print("Operation 1")
	print("Operation 2")
	print("Operation 3")

这是非常直观的一种表达，这段代码进行了n次循环，每次循环有三个基本的print操作，于是它的基本操作执行次数T(n)=3n
(2)执行次数是常量，如T(n)=2

print("Operation 1")
print("Operation 2")

这样的操作和输入数据的规模无关，它只是进行了两次print操作而已。
(3)执行次数是一个多项式，如T(n)=0.5n²+0.5n

for i in range(n):
	for j in range(i):
		print("Operation 1")

进行print操作的次数明显为1+2+…+n，各项之间的关系是一个简单的等差数列，求和之后就是上述结果。
(4)执行次数是对数计算的，如T(n)=3log₂n

while n>1:
	print("Operation 1")
	print("Operation 2")
	print("Operation 3")
	n = n/2

由于n=n/2是一个简单的赋值语句，我们认为n个这样的赋值语句占用的时间和1个这样的赋值语句占用的时间相差不多，在这里不算入T(n)中。我们这里要解决的问题是，这个循环的循环次数是多少？假设循环次数为K，就有n/2^K=1，我们可以得到K=log₂n，实际上应该还要进行取整并+1的操作，但在这里我们略去。

&2.渐进时间复杂度
官方定义如下：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0的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n))，称为O(f(n))，O被称为算法的监禁时间复杂度，简称为时间复杂度。
我们用浅显的话来阐述它的定义，那就是O实际上是把T(n)转化为一个最能够代表T(n)的数量级：T(n)是常数级的，那么O(n)=1；T(n)只保留其中的最高阶项，最高阶项存在，则省去最高阶项前面的系数。所以对于前面的四个例子，时间复杂度分别为T(n)=O(n);T(n)=O(1);T(n)=O(n²);T(n)=O(logn);
实际上我们还有很多形式的时间复杂度：如O(nlogn),O(n³),O(2ⁿ),O(n!)，它们之间大小关系为O(1) 常数阶 < O(logn) 对数阶 < O(n) 线性阶 < O(nlogn) < O(n²) 平方阶 < O(n³) < { O(2ⁿ) < O(n!) < O(nⁿ) }.