时间复杂度的概念

 

时间复杂度

（1）时间频度

一个 算法 执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个 算法 都上机测试，只需知道哪个 算法 花费的时间多，哪个 算法 花费的时间少就可以了。并且一个 算法 花费的时间与算法中语句的执行次数 成正比例 ，哪个 算法 中语句执行次数多，它花费时间就多。一个 算法 中的语句执行次数称为语句频度或时间频度。记为T(n)。 算法 的 时间复杂度 是指执行算法所需要的计算工作量。

（2） 时间复杂度

在刚才提到的时间频度中，n称为问题的规模，当n不断变化时，时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此，我们引入 时间复杂度 概念。

一般情况下， 算法 中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n),使得当n趋近于无穷大时，T（n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n)),称O(f(n)) 为 算法 的渐进 时间复杂度 ，简称 时间复杂度 。

在各种不同 算法 中，若 算法 中语句执行次数为一个常数，则 时间复杂度 为O(1),另外，在时间频度不相同时，时间复杂度有可能相同，如T(n)=n^2+3n+4与T(n)=4n^2+2n+1它们的频度不同，但时间复杂度相同，都为O(n^2)。

按数量级递增排列，常见的 时间复杂度 有：

常数阶O(1),对数阶O(log2n)(以2为底n的对数，下同),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)。随着问题规模n的不断增大，上述 时间复杂度 不断增大， 算法 的执行效率越低。