《大话数据结构》

推导大O阶方法


那么如何分析一个算法的时间复杂度呢？即如何推导大O阶呢？我们给出了下面的推导方法，基本上，这也就是总结前面我们举的例子。
 

仿佛像是得到了游戏攻略一样，我们好像已经得到了一个推到算法时间复杂度的万能公式。可事实上，分析一个算法的时间复杂度，没有这么简单，我们还需要多看几个例子

常数阶


首先顺序结构的时间复杂度。下面这个算法，也就是刚才的第二种算法，为什么时间复杂度不是O（3）而是O（1）。
 
这个算法的运行次数函数是f（n） = 3.根据我们推倒大O阶的方法，第一步就是把常数项3改为1.在保留最高阶项时发现，它根本没有最高阶项。所以这个算法的时间复杂度为O（1）。
另外，我们试想一下，如果这个算法当中的语句sum=（1+n）* n/2有10句，即：
 
事实上无论n为多少，上面的两端代码就是三次和十二次执行的差异。这种与问题的大小无关，执行时间恒定的算法，我们称之为具有O（1）的时间复杂度，又叫常数阶。
注意：不管这个常数是多少，我们都记作O（1），而不能是O（3）、O（12）等其他任何数字，这是初学者常常犯的错误。对于分支结构而言，无论是真还是假，执行的次数都是恒定的，不会随着n的变大而发生改变，所以单纯的分支结构，其时间复杂度也是O（1）

线性阶


线性阶的巡护结构会复杂很多，要确定某个算法的阶次，我们常常需要确定某个特定语句或某个语句集运行的次数。因此，我们要分析算法的复杂度，关键就是要分析巡护结构的运行次数。
下面这段代码，它的循环的时间复杂度为O（n），因为循环体中的代码必须要执行n次

 

对数阶

下面这段代码，时间复杂度又是多少呢

由于每次count乘以2之后，就距离n更近了一分。也就是说，有多少个2相乘后大于n，则会退出循环。由2x的平方=n得到x=log2n。所以这个循环的时间复杂度为0（logn）

平方阶


下面例子是一个循环嵌套，他的内循环刚才我们已经分析过，时间复杂度为O（n）


而对于外层的循环，不过是内部这个时间复杂度为O（n）的语句，再循环n次。所以这段代码的时间复杂度为O（n的二次方）。如果外循环的循环次数改为了m，时间复杂度就变为O（m×n）


所以我们可以总结得出，循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数。那么下面这个循环嵌套，他的时间复杂度是多少呢

 由于当i = 0时，内循环执行了n次，当i = 1时，执行了n-1次，……当i = n-1时，执行了一次，所以总
的次数为 用我们推导大O阶的方法，第一条没有加法常数不予考虑；第二条，只保留最高阶项，因此保留 ；第三条，去除这个项相乘的常数，也就是取出1/2，最终这段代码的时间复杂度为O（n的二次方）。
从这个例子，我们也可以得到一个经验，其实理解大O推导不算难，难的是对数列的一些相关运算，着更多的是考察你的数学知识的能力，所以想考研的朋友，要想在求算法时间复杂度这里不失分，可能需要强化你的数学，特别是数列方面的知识和解题能力。
我们继续看例子，对于方法调用的时间复杂度又如何分析。
int i,j;
for （i = 0; i < n; i++）
{
function(i);
}
上面这段代码调用一个函数function。
void function（int count）
｛
print（count）；
｝
函数提示打印这个函数。其实这很好理解，function函数的时间复杂度是O（1）。所以整体的时间复杂度为O（n）。假如function是下面这样的：
void function（int count）
｛
int j;
for（j = count; j < n; j++）
｛
/*时间复杂度为O（1）的程序步骤序列 */
｝
｝
事实上这和刚才举得例子是一样的，只不过把嵌套内循环放到了函数中，所以最终的时间复杂度为O(n²)。
下面这段相对复杂的语句：
 n++； /* 执行次数为1 */
 function（n）； /* 执行次数为n */
 int i，j；
 for（i = 0； i < n； i++） /* 执行次数为n² */


 ｛
function（i）；
 ｝
 for（i = 0； i < n； i++） /* 执行次数为n（n + 1）/2 */
 ｛
for（i = 0 ； i < n ； i++）
  ｛
/*时间复杂度为O（1）的程序步骤序列*/
｝
 ｝
它的执行次数f（n）= l + n + n²+ ,根据推导大 O 阶的方法，最终这段代码的时间复杂度也是 O（n²）。