目录
一、什么是时间复杂度
时间复杂度就是指执行算法所需的计算工作量
一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行的次数多,他花费的时间就多。一个算法中的执行语句次数被称为语句频度或者时间频度,即T(n)。
一般情况下,算法中基本操作重复执行的次数是问题规模n的某个函数,即T(n),如果有某个辅助函数发f(n),使得当n趋近于无穷大时,T(n)/f(n)的极限数值为不等于零的常数,则称f(n)为T(n)的同数量级函数,即T(n)= O f(n),此时称O(f(n))为算法的渐进时间复杂度,也就是时间复杂度。
随着问题规模n的不断增大,上述的时间复杂度不断增大,算法的执行效率越低。
常用的时间复杂度按照耗费时间从大到小依次为
O(1)<O(logn)<O(n)<O(nlogn)<O(n²)<O(n³)<O(2ⁿ)<O(n!)
二、如何计算时间复杂度
1.常数阶
int sum = 0,n = 100; //执行一次
sum = (1+n)*n/2; //执行一次
System.out.println (sum); //执行一次
因为运行函数的次数与问题大小n的值并没有关系,所以这个算法的时间复杂度仍旧是O(1),称为常数阶。
注意:常数项对函数的增长速度影响并不大,所以当 T(n) = c,c 为一个常数的时候,这个算法的时间复杂度为 O(1);如果 T(n) 不等于一个常数项时,直接将常数项省略。
例如:T(n) = n + 29,此时时间复杂度为 O(n)
另外,因为高次项对于函数的增长速度的影响是最大的。比如n^3 的增长速度是远超 n^2 的,同时 n^2 的增长速度是远超 n 的。 同时因为要求的精度不高,所以直接忽略低此项。
比如:T(n) = n^3 + n^2 + 29,此时时间复杂度为 O(n^3)。
2.单个循环体的计算方法
对于一个循环,假设循环体的时间复杂度为 O(n),循环次数为 m,则这个循环的时间复杂度为 O(n×m)。例如:
for(int i = 0; i < n; i++) { // 循环次数为 n
System.out.println("Hello, World!"); // 循环体时间复杂度为 O(1)
}
此时时间复杂度为 O(n × 1),即 O(n)。
3.多重循环体的计算方法
对于多个循环,假设循环体的时间复杂度为 O(n),各个循环的循环次数分别是a, b, c...,则这个循环的时间复杂度为O(n×a×b×c...)。分析的时候应该由里向外分析这些循环。
for(int i = 0; i < n; i++) { // 循环次数为 n
for(int j = 0; j < n; j++) { // 循环次数为 n
System.out.println("Hello, World!"); // 循环体时间复杂度为 O(1)
}
}
————————————————
此时时间复杂度为 O(n × n × 1),即 O(n^2)。
4.多个时间复杂度计算方法
对于顺序执行的语句或者算法,总的时间复杂度等于其中最大的时间复杂度。
//第一部分时间复杂度为O(n^2)
for(int i = 0; i < n; i++) {
for(int j = 0; j < n; j++) {
System.out.println("Hello, World!");
}
}
// 第二部分时间复杂度为 O(n)
for(int j = 0; j < n; j++) {
System.out.println("Hello, World!");
}
此时时间复杂度为 max(O(n^2),O(n)),即 O(n^2)。
5.含有条件语句的计算方法
总的时间复杂度等于其中 时间复杂度最大的路径 的时间复杂度。
if (n >= 0) {
// 第一条路径时间复杂度为 O(n^2)
for(int i = 0; i < n; i++) {
for(int j = 0; j < n; j++) {
System.out.println("输入数据大于等于零");
}
}
} else {
// 第二条路径时间复杂度为 O(n)
for(int j = 0; j < n; j++) {
System.out.println("输入数据小于零");
}
}
时间复杂度为 max(O(n^2), O(n)),即 O(n^2)。
时间复杂度分析的基本策略是:从内向外分析,从最深层开始分析。如果遇到函数调用,要深入函数进行分析。
三、几种常见的时间复杂度实例:
1.
for(int i=0;i<n;i++){
... //复杂度为O(1)的算法
}
上面算法循环体中的代码执行了n次,因此时间复杂度为O(n)。
2.
int number=1;
while(number<n){
number=number*2;
... //复杂度为O(1)的算法
}
随着number每次乘以2后,都会越来越接近n,当number不小于n时就会退出循环。假设循环的次数为X,则由2^x=n得出x=log₂n,因此得出这个算法的时间复杂度为O(logn)。
3.
for(int i=0;i<n;i++){
for(int j=0;j<n;i++){
//复杂度为O(1)的算法
...
}
}
内部为循环体循环次数为O(n),现在经过外层循环n次,那么这段算法的时间复杂度则为O(n²)。
4.
for(int i=0;i<n;i++){
for(int j=i;j<n;i++){
//复杂度为O(1)的算法
...
}
}
当i=0时,内循环执行了n次;i=1时内循环执行了n-1次,当i=n-1时执行了1次,总执行次数为:
n+(n-1)+(n-2)+(n-3)+……+1
=(n+1)+[(n-1)+2]+[(n-2)+3]+[(n-3)+4]+……
=(n+1)+(n+1)+(n+1)+(n+1)+……
=(n+1)n/2
=n(n+1)/2
=n²/2+n/2
只保留最高阶,因此保留n²/2。去掉和这个项的常数,则去掉1/2,所以这段代码的时间复杂度为O(n²)。
附:
其中x轴代表n值,y轴代表T(n)值(时间复杂度)。T(n)值随着n的值的变化而变化,其中可以看出O(n!)和O(2ⁿ)随着n值的增大,它们的T(n)值上升幅度非常大,而O(logn)、O(n)、O(nlogn)随着n值的增大,T(n)值上升幅度则很小。