文章目录
时间复杂度分析
大0复杂度分析法
T(n)= O(f(n))
T(n):表示时间复杂度
f(n):表示每行代码的执行次数总和
O:表示时间复杂度和每行代码的执行次数总和成正比
可以想象,当n无穷大的时候,低阶、常数项、系数部分都可以忽略。
比如O(2n+1) 记为 O(n) O(2n2+2n+1)记为0(n2)
时间复杂度分析
1.只关注循环执行次数最多的一段代码
如题
2.加法法则
总复杂度 = 最大的一段代码时间复杂度
如果一个函数里面,第一个for循环是O(n),第二个for循环是O(n2),那么总的时间复杂度T(n) = O(n)+O(n2),但因为加法法则,可以记为T(n) = O(n2)。
3.乘法法则
主要用于分析嵌套的循环
嵌套代码的时间复杂度 = 嵌套内外代码时间复杂度的成绩
T1(n) = O(n),T2(n) = O(n2),那么T(n) = T1(n) * T2(n) = O(n3)
常见时间复杂度分析
常量、对数、线性、线性对数、平方、立方、指数、阶乘
1.0(1)
只要没有循环、递归,都可以看做是O(1)
2.0(logn)/ O(nlogn)对数/线性对数(最难分析)
i=1;
while (i <= n) {
i = i * 2;
}
设x是执行次数
∵ i = 2x
即2x <= n
x <= logn
O(n) = logn;
O(nlogn)就是O(logn)的函数被执行了n遍 O(n) * O(logn)
3.O(m+n)/ O(m*n)
int cal(int m, int n) {
int sum_1 = 0;
int i = 1;
for (; i < m; ++i) {
sum_1 = sum_1 + i;
}
int sum_2 = 0;
int j = 1;
for (; j < n; ++j) {
sum_2 = sum_2 + j;
}
return sum_1 + sum_2;
}
此时m,n的数量级无法预估,也用不了加法法则,注意:上面的加法法则是0(n)和O(n2),两个量级。
空间时间复杂度
主要是O(1) O(n) O(n2)