数据结构与算法：算法的时间复杂度

一个算法花费的时间与算法中语句执行次数成正比，哪个算法中语句执行次数多，它花费的时间就多。一个算法中语句的执行次数称为语句频度或时间频度。记为T(n).

复制代码
//比如计算1到100所有数字之和，我们设计俩种算法：
int count = 0;
int end = 100;
​
//该算法中使用了for循环，循环了100+1(最后一次判断), 时间频度为T(100)=100+1, 即T(n)=n+1
for(int i=1; i<=end; i++){
count+=i;
}
​
//而如果我们使用公式来计算，只需执行一次即可得到结果，时间频度为T(100)=1, 即T(n)=1
count = (1+end)*end/2
复制代码

时间复杂度
在计算机科学中，时间复杂性，又称时间复杂度，算法的时间复杂度是一个函数，它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述，不包括这个函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是渐近的，亦即考察输入值大小趋近无穷时的情况。

大O符号
大O符号（Big O notation）是用于描述函数渐进行为的数学符号。更确切地说，它是用另一个（通常更简单的）函数来描述一个函数数量级的渐近上界。在数学中，它一般用来刻画被截断的无穷级数尤其是渐近级数的剩余项；在计算机科学中，它在分析算法复杂性的方面非常有用。

常数项可忽略

如下图, 2n+20和2n 、 3n+10和3n ，随着n值的增大，执行曲线无限接近，这时我们基本可忽略掉常数项：20、10

低次项可忽略

如下图，2n^2+3n+10和2n2、n^2+5n+20和n2，随着n值的增大，执行曲线无限接近，这时我们基本可以忽略掉低次项和常数项：3n+10、5n+20

系数可忽略

如下图, 3n^2+2n和5n2+7n 随着n值的增大，执行曲线无限接近，这时我们基本可以忽略掉低次项：2n、5n，和系数：3、5

但是要注意的是，如果n的指数大于2时，它们的系数会对结果影响较大，如下图的 n^3+5n和63+4n，这种情况则不可以忽略系数

所以我们可以把时间频度T(n)=2n^{2+3n+10忽略掉常数、低次项和系数，记成时间复杂度O(n}2)

常见的时间复杂度
常数阶O(1)

复制代码
//无论代码执行了多少行，参数有多大，只要执行次数没有随着输入参数的变化而变化，那它的时间复杂度就是 O(1)
int i = 1;
int j = 2;
++i;
j++;
int m = i+j;
复制代码
对数阶O(log2n)

复制代码
//在while循环中，每循环一次i都会乘于2，当乘到x次时，i>n则退出循环，,所以while内的代码会执行x次，即i^x>n，又因为i每次的乘数是2即底数为2，所以它的时间复杂度是 (log2n), 如果乘数是3则是O(log3n)
int i = 1;
while(i<n){
i = i * 2;
}
复制代码
线性阶O(n)

//在for循环中，j=i会被执行n次，所以它的时间复杂度为O(n)
int j = 0;
for(int i=1; i<=n; i++){
j = i;
}
线性对数阶O(nlog2n)

复制代码
//线性对数对数阶则是将对数阶的代码再循环执行n遍，如果i的乘数为2,则时间复杂度为O(nlog2n)
for(int m=1; m<=n; m++){
int i = 1;
while(i<n){
i = i * 2;
}
}
复制代码
平方阶O(n^2)

复制代码
//平方阶则是将线性阶再循环执行n遍，记总共执行了n*n=n^{2，所以它的时间复杂度为O(n}2)
int num = 0;
for(int i=1; i<=n; i++){
for(int j=1; j<=n; j++){
num = i+j;
}
}
复制代码
立方阶O(n^3)

k次方阶O(n^k)

//立方阶和k次方阶参考平方阶，原理是一样的
指数阶O(2^n)

//因为时间复杂度为0(2^{n)的算法开销过大，不推荐使用时间复杂度为0(2}n)的算法
亚马逊测评 www.yisuping.com