算法的时间复杂度

最新推荐文章于 2023-10-30 20:39:16 发布

那里有颗树

最新推荐文章于 2023-10-30 20:39:16 发布

阅读量2.3k

点赞数 2

分类专栏：算法文章标签：算法时间复杂度

本文链接：https://blog.csdn.net/shu19880720/article/details/87929143

版权

算法专栏收录该内容

4 篇文章

订阅专栏

转眼间毕业8年多了，工作中算法用的不多，一些基本概念都模糊了，查阅了写资料，重新梳理一遍

一.时间复杂度定义

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)，使得当n趋近于无穷大时，T(n)/f(n)的极限值为不等于零的常数，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(O是数量级的符号 )，简称时间复杂度。

一般用大写O()来表示算法的时间复杂度写法，通常叫做大O记法。

一般情况下，随着n的增大，T(n)增长最慢的算法为最优算法。

二.时间复杂度计算的基本法则

用常数1来取代运行时间中所有加法常数。
修改后的运行次数函数中，只保留最高阶项
如果最高阶项存在且不是1，则去除与这个项相乘的常数。

三.时间复杂度计算的基本步骤

1. 计算出基本操作的执行次数T(n)

基本操作即算法中的每条语句（以;号作为分割），语句的执行次数也叫做语句的频度。在做算法分析时，一般默认为考虑最坏的情况。

2. 计算出T(n)的数量级

求T(n)的数量级，只要将T(n)进行如下一些操作：
忽略常量、低次幂和最高次幂的系数

令f(n)=T(n)的数量级。

3. 用大O来表示时间复杂度

当n趋近于无穷大时，如果lim(T(n)/f(n))的值为不等于0的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n))。

一个示例：
(1) int num1, num2; 1
(2) for(int i=0; i<n; i++){ n
(3)     num1 += 1; n
(4)     for(int j=1; j<=n; j*=2){ n*log2 n
(5)         num2 += num1; n*log2 n
(6)     }
(7) }
分析：
1.每个语句的频度已用蓝色标出
T(n) = 2 + 4n + 3n*log2n
注意：由于每次j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2^x=n 得到x=logn。所以单单for(int j=1; j<=n; j*=2){ 的频度位log2n

2.忽略掉T(n)中的常量、低次幂和最高次幂的系数
f(n) = n*log2n

3.lim(T(n)/f(n)) = (2+4n+3n*log2n) / (n*log2n)
= 2*(1/n)*(1/log2n) + 4*(1/log2n) + 3

当n趋向于无穷大，1/n趋向于0，1/log2n趋向于0
所以极限等于3。

T(n) = O(n*log2n)

四.常见时间复杂度

复杂度	标记符号	描述
常量（Constant）	O(1)	操作的数量为常数，与输入的数据的规模无关。 n = 1,000,000 -> 1-2 operations
对数（Logarithmic）	O(log2 n)	操作的数量与输入数据的规模 n 的比例是 log2 (n)。 n = 1,000,000 -> 30 operations
线性（Linear）	O(n)	操作的数量与输入数据的规模 n 成正比。 n = 10,000 -> 5000 operations
平方（Quadratic）	O(n^2)	操作的数量与输入数据的规模 n 的比例为二次平方。 n = 500 -> 250,000 operations
立方（Cubic）	O(n^3)	操作的数量与输入数据的规模 n 的比例为三次方。 n = 200 -> 8,000,000 operations
指数（Exponential）	O(2^n) O(k^n) O(n!)	指数级的操作，快速的增长。 n = 20 -> 1048576 operations

1.常量阶 O(1)

首先顺序结构的时间复杂度。下面这个算法，是利用高斯定理计算1，2，……n个数的和

int sum = 0, n = 100;       /*执行一次*/
sum = (1 + n) * n / 2;      /*执行一次*/
printf("%d",sum);           /*执行一次*/

这个算法的运行次数函数是f (n) =3。根据我们推导大0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0(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，则与示例给出的代码就是3次和12次的差异。这种与问题的大小无关（n的多少），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。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 的变大而发生变化，所以单纯的分支结构(不包含在循环结构中)，其时间复杂度也是0(1)。

2.对数阶 O(log2 n)

int count = 1;      
while (count < n){
   count = count * 2;
  /*时间复杂度为O(1)的程序步骤序列*/
}

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2^x=n 得到x=logn。所以这个循环的时间复杂度为O(logn)。

3.线性阶 O(n)

线性阶的循环结构会复杂很多。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，关键就是要分析循环结构的运行情况。

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须要执行n次。

int i;      
for(i = 0; i < n; i++){
    /*时间复杂度为O(1)的程序步骤序列*/
}

4、平方阶 O(n^2)

int i, j;      
for(i = 0; i < n; i++){
    for(j = 0; j < n; j++){
        /*时间复杂度为O(1)的程序步骤序列*/
    }
}

一个循环嵌套，它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^2)。
如果外循环的循环次数改为了m，时间复杂度就变为O(mXn)。

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，它的时间复杂度是多少呢?

int i, j;      
for(i = 0; i < n; i++){
    for(j = i; j < n; j++){   /*注意j = i而不是0*/
        /*时间复杂度为O(1)的程序步骤序列*/
    }
}

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1次。所以总的执行次数为:

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，因此保留时(n^2)/2; 第三条，去除这个项相乘的常数，也就是去除1/2，最终这段代码的时间复杂度为O(n^2)。

5.立方阶 O(n^3)

int i, j;      
for(i = 1; i < n; i++)
    for(j = 1; j < n; j++)
        for(j = 1; j < n; j++){
            /*时间复杂度为O(1)的程序步骤序列*/
 
        }

上门三重循环了(1^2+2^2+3^2+……+n^2) = n(n+1)(2n+1)/6次，按照上述大O阶推导方法，时间复杂度为O(n^3)。

6.指数阶

int aFunc(int n) {    
    if (n <= 1) {        
        return 1;
    } else {        
        return aFunc(n - 1) + aFunc(n - 2);
    }
}

运行次数，T(0) = T(1) = 1，同时 T(n) = T(n - 1) + T(n - 2) + 1，这里的 1 是其中的加法算一次执行。显然 T(n) = T(n - 1) + T(n - 2) 是一个斐波那契数列，通过归纳证明法可以证明，当 n >= 1 时 T(n) < (5/3)^n，同时当 n > 4 时 T(n) >= (3/2)^n。所以该方法的时间复杂度可以表示为 O((5/3)^n)，简化后为 O(2^n)。

五.常见时间复杂度以及比较

而通常时间复杂度与运行时间有一些常见的比例关系：

复杂度	10	20	50	100	1000	10000	100000
O(1)	<1s	<1s	<1s	<1s	<1s	<1s	<1s
O(log2(n))	<1s	<1s	<1s	<1s	<1s	<1s	<1s
O(n)	<1s	<1s	<1s	<1s	<1s	<1s	<1s
O(n*log2(n))	<1s	<1s	<1s	<1s	<1s	<1s	<1s
O(n2)	<1s	<1s	<1s	<1s	<1s	2s	3-4 min
O(n3)	<1s	<1s	<1s	<1s	20s	5 hours	231 days
O(2n)	<1s	<1s	260 days	hangs	hangs	hangs	hangs
O(n!)	<1s	hangs	hangs	hangs	hangs	hangs	hangs
O(nn)	3-4 min	hangs	hangs	hangs	hangs	hangs	hangs