时间复杂度
算法复杂度分为时间复杂度和空间复杂度。其作用: 时间复杂度是指执行算法所需要的计算工作量;而空间复杂度是指执行这个算法所需要的内存空间。(算法的复杂性体现在运行该算法时的计算机所需资源的多少上,计算机资源最重要的是时间和空间(即寄存器)资源,因此复杂度分为时间和空间复杂度)。
计算方法:
1.一般情况下,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,用T(n)表示,若有某个辅助函数f(n),使得T(n)/f(n)的极限值(当n趋近于无穷大时)为不等于零的常数,则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n)),称O(f(n)) 为算法的渐进时间复杂度,简称时间复杂度。
 ;分析:随着模块n的增大,算法执行的时间的增长率和 f(n) 的增长率成正比,所以 f(n) 越小,算法的时间复杂度越低,算法的效率越高。
2. 在计算时间复杂度的时候,先找出算法的基本操作,然后根据相应的各语句确定它的执行次数,再找出 T(n) 的同数量级(它的同数量级有以下:1,log2n,n,n log2n ,n的平方,n的三次方,2的n次方,n!),找出后,f(n) = 该数量级,若 T(n)/f(n) 求极限可得到一常数c,则时间复杂度T(n) = O(f(n)),随着问题规模n的不断增大,上述时间复杂度不断增大,算法的执行效率越低。
例子:算法:
for(i=1; i<=n; ++i)
{
for(j=1; j<=n; ++j)
{
c[i][j] = 0;//该步骤属于基本操作执行次数:n的平方次
for(k=1; k<=n; ++k)
c[i][j] += a[i][k] * b[k][j];//该步骤属于基本操作执行次数:n的三次方次
}
}
则有:
T
(
n
)
=
n
3
+
n
2
T(n)=n^3+n^2
T(n)=n3+n2,根据上面括号里的同数量级,我们可以确定 n的三次方 为T(n)的同数量级。
则有:
f
(
n
)
=
n
3
f(n)=n^3
f(n)=n3 ,然后根据 T(n)/f(n) 求极限可得到常数c。
3.在pascal中比较容易理解,容易计算的方法是:看看有几重for循环,只有一重则时间复杂度为O(n),二重则为O(n^2),依此类推,如果有二分则为O(logn),二分例如快速幂、二分查找,如果一个for循环套一个二分,那么时间复杂度则为O(nlogn)。
基本计算规则:
(1)基本操作,只有常数项,认为其时间复杂度为O(1)。
(2)顺序结构,时间复杂度按照加法进行计算。
(3)循环结构,按照乘法计算。
(4)分支结构,取最大值计算。
在没有特殊说明时,分析的算法时间复杂度都是指最坏时间复杂度。
4.python列表和字典常见操作时间复杂度: