[数据结构与算法] 算法复杂度分析 - 大O表示法 - 复杂度曲线

目录

1. 大O表示法介绍

2. 常见的大O复杂度

2.1 O(1) 常数时间复杂度

2.2 O(logn) 对数时间复杂度

2.3 O(n) 线性时间复杂度

2.4 O(nlogn) 线性对数时间复杂度

2.5 O(c^n) 指数时间复杂度（c 为常数）

2.6 O(n^2) 平方时间复杂度

2.7 O(n!) 阶乘时间复杂度

3. 常见时间复杂度曲线

​

---

1. 大O表示法介绍

算法的时间复杂度通常用大O符号表述，定义为T[n] = O(f(n))。称函数T(n)以f(n)为界或者称T(n)受限于f(n)。 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)。T(n)称为这一算法的“时间复杂度”。当输入量n逐渐加大时，时间复杂度的极限情形称为算法的“渐近时间复杂度”。（摘自百度百科）

• 它是算法复杂度的相对表示方式
• 描述了函数最坏情况下的复杂度

 

2. 常见的大O复杂度

复杂度	名称
O(1)	常数时间复杂度
O(logn)	对数时间复杂度
O(n)	线性时间复杂度
O(nlogn)	线性对数时间负载度
O(c^n)	指数时间复杂度（c 为常数）
O(n^2)	平方时间复杂度
O(n!)	阶乘时间复杂度

 

2.1 O(1) 常数时间复杂度

// 常数时间复杂度伪代码
int i = 1;
int j = 2;
int sum = i + j;
......

一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其时间复杂度也是Ο(1)。

 

2.2 O(logn) 对数时间复杂度

常见的对数时间复杂度为 二分查找（）

// 对数时间复杂度伪代码
int left = 0;
int right = n;
while (left < right) {
    int mid = left + (right - left) / 2;

    if (条件判断) {
        left = mid + 1;
    } else {
        right = mid - 1;
    }
}

对数时间复杂度 （）

// 对数时间复杂度伪代码
int i = 1;
while(i<=n){
    i = i * 3;
}

不管是以 2 为底还是以 3 为底，我们把所有常数 c 为底的对数阶的时间复杂度都记为 O(logn)

 

2.3 O(n) 线性时间复杂度

//线性时间复杂度伪代码
for (int k = 0; k < n; k++) {
    // TODO
}

 

2.4 O(nlogn) 线性对数时间复杂度

该复杂度为复杂度为 O(n) 的循环中嵌套了一层 O(logn) 复杂度的循环

 

2.5 O(c^n) 指数时间复杂度（c 为常数）

// 指数时间复杂度伪代码 （c 为常数）
for (int k = 0; k < Math.pow(c,n); k++) {
    // TODO 
    // 临时想不出来这个复杂度伪代码怎么写，公式来帮忙吧。
}

 

2.6 O(n^2) 平方时间复杂度

// 平方时间复杂度伪代码
for (int k = 0; k < n; k++) {
    for (int l = 0; l < n; l++) {
        // TODO
    }
}

 

2.7 O(n!) 阶乘时间复杂度

// 阶乘时间复杂度伪代码
int[] nums = new int[n];
back(nums, 0, n);

public static void back(int[] nums, int i, int n) {
    for (int j = i; j < n; ++j) {
        if (i != j) {
            // TODO
        } else {
            back(nums, i + 1, n);
        }
    }
}

 

3. 常见时间复杂度曲线