目录
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