算法（1）时间复杂度 和 空间复杂度

• 算法时间复杂度的定义：在进行算法分析时，语句总的执行次数 T(n) 是关于问题规模 n 的函数，进而分析 T(n) 随 n 的变化情况并确定 T(n) 的数量级。算法的时间复杂度，也就是算法的时间量度，记作： T(n)=O(f(n)) 。它表示随问题规模 n 的增大，算法执行时间的增长率和 f(n) 的增长率相同，称作算法的渐近时间复杂度，简称为时间复杂度。其中 f(n) 是问题规模 n 的某个函数。

• 好长好长，没想到定义这个概念的老家伙比小甲鱼还罗嗦。（关键需要知道执行次数 == 时间）

• 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？我们给大家整理了以下攻略：

– 用常数 1 取代运行时间中的所有加法常数。

– 在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。

– 得到的最后结果就是大 O 阶。

对数阶

inti = 1, n = 100;

while(i < n )

{

i= i*2;

}

• 由于每次 i * 2 之后，就举例 n 更近一步，假设有 x 个 2 相乘后大于或等于 n ，则会退出循环。

• 于是由 2^x = n 得到 x = log(2)n ，所以这个循环的时间复杂度为 O( logn ) 。

• 其实理解大 O 推导不算难，难的是对数列的一些相关运算，这更多的是考察你的数学知识和能力。

常见的时间复杂度

例子	时间复杂度	装逼术语
5201314	O(1)	常数阶
3n+4	O(n)	线性阶
3n^2+4n+5	O(n^2)	平方阶
3log(2)n+4	O(logn)	对数阶
2n+3nlog(2)n+14	O(nlogn)	nlogn阶
n^3+2n^2+4n+6	O(n^3)	立方阶
2^n	O(2^n)	指数阶

• 常用的时间复杂度所耗费的时间从小到大依次是： O(1) < O( logn )< (n) < O( nlogn ) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O( n^n )