如何计算时间复杂度

最新推荐文章于 2024-09-13 18:22:34 发布

rock_joker

最新推荐文章于 2024-09-13 18:22:34 发布

阅读量566

点赞数

分类专栏：数据结构与算法

本文链接：https://blog.csdn.net/rock_joker/article/details/64132349

版权

数据结构与算法专栏收录该内容

16 篇文章 1 订阅

订阅专栏

定义：如果一个问题的规模是n，解这一问题的某一算法所需要的时间为T(n)，它是n的某一函数 T(n)称为这一算法的“时间复杂性”。
当输入量n逐渐加大时，时间复杂性的极限情形称为算法的“渐近时间复杂性”。
我们常用大O表示法表示时间复杂性，注意它是某一个算法的时间复杂性。大O表示只是说有上界，由定义如果f(n)=O(n)，那显然成立f(n)=O(n^2)，它给你一个上界，但并不是上确界，但人们在表示的时候一般都习惯表示前者。
此外，一个问题本身也有它的复杂性，如果某个算法的复杂性到达了这个问题复杂性的下界，那就称这样的算法是最佳算法。
“大O记法”：在这种描述中使用的基本参数是 n，即问题实例的规模，把复杂性或运行时间表达为n的函数。这里的“O”表示量级 (order)，比如说“二分检索是 O(logn)的”,也就是说它需要“通过logn量级的步骤去检索一个规模为n的数组”记法 O ( f(n) )表示当 n增大时，运行时间至多将以正比于 f(n)的速度增长。
这种渐进估计对算法的理论分析和大致比较是非常有价值的，但在实践中细节也可能造成差异。例如，一个低附加代价的O(n2)算法在n较小的情况下可能比一个高附加代价的 O(nlogn)算法运行得更快。当然，随着n足够大以后，具有较慢上升函数的算法必然工作得更快。
O(1)
Temp=i;i=j;j=temp;
以上三条单个语句的频度均为1，该程序段的执行时间是一个与问题规模n无关的常数。算法的时间复杂度为常数阶，记作T(n)=O(1)。如果算法的执行时间不随着问题规模n的增加而增长，即使算法中有上千条语句，其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)。
O(n^2)
2.1. 交换i和j的内容
     sum=0；                 （一次）
     for(i=1;i<=n;i++)       （n次）
        for(j=1;j<=n;j++) （n^2次）
         sum++；       （n^2次）
解：T(n)=2n^2+n+1 =O(n^2)
2.2.
    for (i=1;i<n;i++)
    {
        y=y+1;         ①
        for (j=0;j<=(2*n);j++)
           x++;        ②
    }
解：语句1的频度是n-1
          语句2的频度是(n-1)*(2n+1)=2n^2-n-1
          f(n)=2n^2-n-1+(n-1)=2n^2-2
          该程序的时间复杂度T(n)=O(n^2).
O(n)
2.3.
    a=0;
    b=1;                      ①
    for (i=1;i<=n;i++) ②
    {
       s=a+b;　　　　③
       b=a;　　　　　④
       a=s;　　　　　⑤
    }
解：语句1的频度：2,
           语句2的频度： n,
          语句3的频度： n-1,
          语句4的频度：n-1,
          语句5的频度：n-1,
          T(n)=2+n+3(n-1)=4n-1=O(n).

O(log2n )
2.4.
     i=1;       ①
    while (i<=n)
       i=i*2; ②
解：语句1的频度是1,
          设语句2的频度是f(n),   则：2^f(n)<=n;f(n)<=log2n    (要乘以f(n)个2时i=i*2的结果才等于n)
          取最大值f(n)= log2n,
          T(n)=O(log2n )
O(n^3)
2.5.
    for(i=0;i<n;i++)
    {
       for(j=0;j<i;j++)
       {
          for(k=0;k<j;k++)
             x=x+2;
       }
    }
解：当i=m, j=k的时候,内层循环的次数为k当i=m时, j 可以取 0,1,...,m-1 , 所以这里最内循环共进行了0+1+...+m-1=(m-1)m/2次所以,i从0取到n, 则循环共进行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以时间复杂度为O(n^3).

二分查找以及快速排序查找的时间复杂度

因为二分查找每次排除掉一半的不适合值，所以对于n个元素的情况：
一次二分剩下：n/2
两次二分剩下：n/2/2 = n/4
。。。
m次二分剩下：n/(2^m)
在最坏情况下是在排除到只剩下最后一个值之后得到结果，所以为
n/(2^m)=1;
2^m=n;

所以时间复杂度为：log2 (n)

快速排序的基本思想是：每次从无序的序列中找出一个数作为中间点（可以把第一个数作为中间点），然后把小于中间点的数放在中间点的左边，把大于中间点的数放在中间点的右边；对以上过程重复log(n)次得到有序的序列。

快速排序的时间复杂性分析：排序的大体如下图所示，假设有1到8代表要排序的数，快速排序会递归log（8）=3次，每次对n个数进行一次处理，所以他的时间复杂度为n*log(n)。所以排序问题的时间复杂度可以认为是对排序数据的总的操作次数。

二叉树时间复杂度

1.AVL树

通过确保所有节点的左右子树的差小于等于 1，AVL 树保证了插入、删除和查找操作将始终保持 O(log 2 N)(2为底数)的渐进运行时间，而与插入或删除节点的顺序无关。

2.红黑树

类似于 AVL 树，红黑树也是一种自平衡二叉查找树。AVL 树的平衡特性是通过限制节点的左右子树的高度来达成，而红黑树则是通过更形象化的方式来保证树的平衡。如果一棵树满足红黑树的特性，其节点的总数量为 n，则它的高度将始终小于 2 * log 2 (n+1) 。鉴于这个原因，致使红黑树保证了对树的所有操作都能在 O(log 2 N) 渐进运行时间范围内。(我认为这两种二叉树的时间复杂度计算方式都与二分查找有着相似的地方)

我们还应该区分算法的最坏情况的行为和期望行为。如快速排序的最坏情况运行时间是 O(n^2)，但期望时间是 O(nlogn)。通过每次都仔细地选择基准值，我们有可能把平方情况 (即O(n^2)情况)的概率减小到几乎等于 0。在实际中，精心实现的快速排序一般都能以 (O(nlogn)时间运行。
下面是一些常用的记法：
访问数组中的元素是常数时间操作，或说O(1)操作。一个算法如果能在每个步骤去掉一半数据元素，如二分检索，通常它就取 O(logn)时间。用strcmp比较两个具有n个字符的串需要O(n)时间。常规的矩阵乘算法是O(n^3)，因为算出每个元素都需要将n对元素相乘并加到一起，所有元素的个数是n^2。

指数时间算法通常来源于需要求出所有可能结果。例如，n个元素的集合共有2n个子集,所以要求出所有子集的算法将是O(2n)的。指数算法一般说来是太复杂了，除非n的值非常小，因为，在这个问题中增加一个元素就导致运行时间加倍。不幸的是，确实有许多问题 (如著名的“巡回售货员问题” )，到目前为止找到的算法都是指数的。如果我们真的遇到这种情况，通常应该用寻找近似最佳结果的算法替代之。

参考：http://blog.csdn.net/firefly_2002/article/details/8008987

参考：http://www.tuicool.com/articles/MVVnEzu

参考：http://blog.csdn.net/zhikangfu/article/details/51259118