算法效率分析-时间复杂度

  算法效率分析包括时间复杂度和空间复杂度。详解一下时间复杂度。

（一）什么是算法的时间复杂度

  通常认为一个算法所需的运行时间与所要解决问题的规模大小有关。规模越大，所消耗的时间越多，时间复杂度就越大。通常，用n作为表示问题规模，把规模为n的算法的执行时间称为时间复杂度（time complexity）。算法执行所需时间T表示为n的函数，记为T(n)。通常把算法中基本操作重复执行的次数作为算法的时间复杂度 记为:

                        T(n)=f(n) 

  而我们经常研究的是“渐进时间复杂度”，即随着n的增大，T(n)的极限情况，一般，时间复杂度用数量级的形式表示，记为:

                       T(n)=O(f(n))

  其中，大写字母O为order(数量级)的第一个字母，f(n)为函数形式，eg：T(n)=O(n²)。可以看出，时间复杂度往往不是精确的执行次数，而是估算的数量级，它着重体现的随着n的增大，算法执行时间的变化趋势。

  当T(n)为多项式时，只可取其最高次幂，并且将系数省略，eg：T(n)=12n³+6n²+n+5 则 T(n)=O(n³)。

（二）计算时间复杂度

  1.如何计算？
  在计算时间复杂度时，先找出算法的基本操作，然后根据相应的各语句确定它的执行次数，再找出T（n）的同数量级（它的同数量级有以下：1，Log2n ，n ，nLog2n ，n的平方，n的三次方，2的n次方，n！），找出后，f（n）=该数量级，若T(n)/f(n)求极限可得到一常数c，则时间复杂度T（n）=O（f（n））。
  2.常见的时间复杂度
  按数量级递增排列，常见的时间复杂度

常数阶   O(1)  
对数阶   O(log2n)
线性阶   O(n)  
平方阶   O(n²) 
立方阶   O(n³)
k次方阶  O(n^k)
指数阶   O(2^n)

一般地，对于足够大的n，常用的时间复杂性存在如下顺序：

O(1)  < O(logn)  < O(n)  < O(nlogn) < O(n^2)  < O(n^3) <  O(2^n) < O(n!) < O(n^n)  

  3.例子如下：

eg1：   x=x+1   解：T(n)=O(1) //该算法只执行了一次

eg2:  sum=0；    
      for(i=1;i<=n;i++){
        for(j=1;j<=n;j++){
            sum=sum+1；  
        }
      }       
     解：T(n)=2n²+n+1=O(n²) 

 eg3:   i=1;       
        while (i<=n) i=i*2;
        解：T(n)=O(log2n )

目录：