【算法】时间复杂度（一）

时间复杂度   ——简述与分析

 

目录

## 概念简述

## 明确

## 举例分析

## 理论分析

---

## 概念简述：

算法复杂度分为时间复杂度和空间复杂度。时间复杂度是指执行算法所需要的计算工作量，在计算机
    科学中，算法的时间复杂度是一个函数，它定性描述了该算法的运行时间，是一个关于代表算法输入值
    的字符串的长度的函数。时间复杂度常用大 O 符号表述，如：O(1)、O(n)、O(lgn)、O(n^2)等。不包括这个
    函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是渐近的，它考察当输入值大小趋近无
    穷时的情况。

 

## 明确：

    1.  O 描述的是一个算法或操作的渐进时间复杂度，即所耗费时间与输入数据规模间的关系
    2.  一般来说，n处于趋近于无穷的情况下

 

## 举例分析：

    简单来说 "O" 描述的是算法的运行时间与输入数据之间的关系，如：

    // 求和：O(n)，其中定义n为nums中的元素个数
    public static int sum (int[] nums) {
        int sum = 0;
        for(int num : nums)
            sum += num;
        return sum;
    }

    忽略常数条件下，此算法运行时间与nums元素个数呈线性关系(n的幂为一次方)，即nums中元素个数越
    多，将导致算法的运行时间变长

    分析：
    针对于线性方程 T = c1*n + c2 ：
            算法中诸如通过遍历nums从中获取元素、将 sum 与 num 进行求和等操作所消耗的总时间视为 c1，
            诸如初始化 sum、返回 sum 等操作视为 c2，故此算法实际消耗时间为 c1*n + c2
    针对于此算法：
            如果我们在分析算法时将 c1 与 c2 具体值也一同分析出来，一方面必要性不大，另一方面有些情况
            下也是不可能的，如通过遍历取出 nums 中元素的操作，不同的语言不同的实现实际运行的时间也
            是不等的同时也受制于计算机自己的配置与性能，故不可能精确地判断出 c1 与 c2 的数值，这也是
            为什么我们在一开始声明忽略常数的原因。

 

## 理论分析：

    经过上述分析，也就是忽略常数的情况下，假如两个算法耗费时间如下：
            T = 2 * n + 2
            T = 2000 * n + 10000
            那么这两个算法在O的意义下都是O(n)线性时间的算法的算法，即消耗的时间与输入数据的规模之间
            呈线性关系。
    而对算法：
            T = 1 * n * n + 0
            此算法时间复杂度为O(n^2)，即消耗的时间与输入数据的规模之间呈平方关系，也就是说大概率情况
            下此算法的性能要低于上方两者
    另外针对于算法：
            T = 2 * n * n + 300 * n + 10
            此算法时间复杂度仍为O(n^2)，因为n趋近于无穷，此时低阶项 300*n 将被忽略。
    [注意]:
        1. 虽然并不代表对于任意输入来说O(n)要优于O(n^2)，但是n更准确的含义为渐进时间复杂度，实际上描
            述的是当n趋近于无穷的情况，此时O(n)必然是优于O(n^2)的。
        2. 通常来说，n越大，一个低阶时间复杂度算法的优势将更容易显现出来
        3. 因为或多或少也受常数的影响，有些时候在实际的工程中，也会利用当n较小时高阶算法可能优于低阶
            算法的情况。