算法的时间复杂度

1.什么是时间复杂度？

简单来说，时间复杂度也就是一个算法运行所需要的时间。然而，想要准确的计算总运行时间是可行度不高的。所以，度量算法的运行时间，主要从程序结构入手，统计算法的程序步数。

（1）各语句对应程序步数

程序步数为0的有以下几种语句：注释，声明语句，函数调用语句。

程序步数为1的有以下几种语句：表达式，赋值语句（若赋值语句中的变量为数组或字符串，则程序步数等于变量体积加表达式的步数），函数执行语句，转移语句，动态存储管理语句。

相对复杂一点的循环结构和判断结构，就不是简单的1还是0了。得要认真分析才能得到正确的程序步数。

举个简单的实例：计算这段代码的程序步数

float sum(float a[], const int n)
{
	float s = 0.0;
	for(int i =0; i < n; i++)
	{
	        s += a[i];
	}
	return s;
}	

一行一行的来，还是能数出来的，结果是3*n + 4。但是，问题是这只是一个相对比较简单的程序，如果更复杂呢，一个个数就太不切实际了，然后就可以引入算法的渐进分析。

2.渐进时间复杂度

渐进时间复杂度是指当问题规模趋近无穷大的时候，该算法时间复杂度的数量级。大O表示法是渐进时间复杂度的一个通常的表示方法。大O表示法的提法：当且仅当存在正整数c和n，使得T(n) ≤ c f(n)对所有的n ≥ n0成立。记为：T(n) = O(f(n))。

时间复杂度按数量级递增排列依次为：常数阶O(1)、对数阶O(log2n)、线性阶O(n)、线性对数阶O(nlog2n)、平方阶O(n^2)、立方阶O(n^3)、k次方阶O(n^k)、指数阶O(2^n)。

借用陈越老师的一张图，很好的表明了在问题规模趋于无穷大的时候，渐进时间复杂度的数量级的变化。