算法的时间复杂度表示法(大O表示法)

大 O 复杂度表示法

算法的执行效率，粗略地讲，就是算法代码执行的时间。但是，如何在不运行代码的情况下，用“肉眼”得到一 段代码的执行时间呢？

for a in range(0, 1001):
 	for b in range(0, 1001): 
 		for c in range(0, 1001): 
	 		if a**2 + b**2 == c**2 and a+b+c == 1000:
  				print("a, b, c: %d, %d, %d" % (a, b, c))

通过这段代码执行时间的推导过程，我们可以得到一个非常重要的规律，那就是，所有代码的执行时间 T(n) 与每 行代码的执行次数 n 成正比。

其中，T(n)表示代码执行的时间；n 表示数据规模的大小；f(n) 表示每行代码执行的次数总 和。因为这是一个公式，所以用 f(n) 来表示。公式中的 O，表示代码的执行时间 T(n) 与 f(n) 表达式成正比。
T(n) = O(n^3*2) 这就是大 O 时间复杂度表示法,大 O 时间复杂度实际上并不具体表示代码真正的执行时 间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度（asymptotic time complexity），简称时间复杂度。 当n很大时,你可以把它想象成 10000、100000。而公式中的低阶、常量、系数三部分并不左右增长趋势，所以 都可以忽略。我们只需要记录一个最大量级就可以了

时间复杂度分析

1. 只关注循环执行次数最多的一段代码

大 O 这种复杂度表示方法只是表示一种变化趋势。我们通常会忽略掉公式中的常量、低阶、系数，只需要记录一 个最大阶的量级就可以了。所以，我们在分析一个算法、一段代码的时间复杂度的时候，也只关注循环执行次数 最多的那一段代码就可以了。这段核心代码执行次数的 n 的量级，就是整段要分析代码的时间复杂度。

def cal(n): 
	sum = 0 
	i = 1
 	for i in rang(n+1): 
		sum += i 
		i+=1 
	return sum

其中第 2、3 行代码都是常量级的执行时间，与 n 的大小无关，所以对于复杂度并没有影响。循环执行次数最多 的是第 4、5 行代码，所以这块代码要重点分析。前面我们也讲过，这两行代码被执行了 n 次，所以总的时间复 杂度就是 O(n)。

2. 加法法则：总复杂度等于量级最大的那段代码的复杂度

 def cal(n): 
	 sum = 0
	 i = 1 

	for in range(100): 
		sum += i 

	for i in rang(n+1): 
		sum += i 
		i+=1 

	for i in range(n+1): 
		for j in range(n+1): 
			pass 

综合这三段代码的时间复杂度，我们取其中最大的量级。所以，整段代码的时间复杂度就为 O(n2)。也就是说： 总的时间复杂度就等于量级最大的那段代码的时间复杂度

最坏时间复杂度

分析算法时，存在几种可能的考虑：

• 算法完成工作最少需要多少基本操作，即最优时间复杂度
• 算法完成工作最多需要多少基本操作，即最坏时间复杂度
• 算法完成工作平均需要多少基本操作，即平均时间复杂度

对于最优时间复杂度，其价值不大，因为它没有提供什么有用信息，其反映的只是最乐观最理想的情况，没有参考价值。
对于最坏时间复杂度，提供了一种保证，表明算法在此种程度的基本操作中一定能完成工作。
对于平均时间复杂度，是对算法的一个全面评价，因此它完整全面的反映了这个算法的性质。但另一方面，这种衡量并没有保证，不是每个计算都能在这个基本操作内完成。而且，对于平均情况的计算，也会因为应用算法的 实例分布可能并不均匀而难以计算。 因此，我们主要关注算法的最坏情况，亦即最坏时间复杂度。

常见时间复杂度

常见的复杂度并不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n2)。

执行次数函数举例	阶	非正式术语
12	O(1)	常数阶
2n + 3	O(n)	线性阶
3n^2 + 3n + 1	O(n^2)	平方阶
log2n + 20	O(logn)	对数阶
2n+3nlog2n+19	O(nlogn)	nlogn阶
2^n	O(2^n)	指数阶