黑马程序员学习笔记——关于时间复杂度计算2_设n为正整数,利用大“o”记号,写出下列各程序段的时间复杂度。 1l.for(i-l;i<=n;i-CSDN博客

---------------------- ASP.Net+Unity开发、.Net培训、期待与您交流！ ----------------------

O(1)

Temp=i;i=j;j=temp;

以上三条单个语句的频度均为1，该程序段的执行时间是一个与问题规模n无关的常数。算法的时间复杂度为常数阶，记作T(n)=O(1)。如果算法的执行时间不随着问题规模n的增加而增长，即使算法中有上千条语句，其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)。

O(n^2)

2.1. 交换i和j的内容
     sum=0；                （一次）
    for(i=1;i<=n;i++)       （n次）
        for(j=1;j<=n;j++) （n^2次）
         sum++；      （n^2次）
解：T(n)=2n^2+n+1 =O(n^2)

2.2.
    for (i=1;i<n;i++)
    {
       y=y+1;         ①
        for(j=0;j<=(2*n);j++)
          x++;        ②
    }
解：语句1的频度是n-1
          语句2的频度是(n-1)*(2n+1)=2n^2-n-1
         f(n)=2n^2-n-1+(n-1)=2n^2-2
          该程序的时间复杂度T(n)=O(n^2).

O(n)

2.3.
    a=0;
   b=1;                     ①
    for (i=1;i<=n;i++) ②
    {
       s=a+b;　　　③
       b=a;　　　　　④
       a=s;　　　　　⑤
    }
解：语句1的频度：2,
           语句2的频度：n,
          语句3的频度：n-1,
          语句4的频度：n-1,
          语句5的频度：n-1,
         T(n)=2+n+3(n-1)=4n-1=O(n).

O(log2n )

2.4.
     i=1;       ①
    while (i<=n)
       i=i*2; ②
解：语句1的频度是1,
          设语句2的频度是f(n),  则：2^f(n)<=n;f(n)<=log2n
          取最大值f(n)=log2n,
          T(n)=O(log2n )

O(n^3)

2.5.
    for(i=0;i<n;i++)
    {
       for(j=0;j<i;j++)
       {
          for(k=0;k<j;k++)
            x=x+2;
       }
    }
解：当i=m, j=k的时候,内层循环的次数为k当i=m时, j 可以取0,1,...,m-1 ,所以这里最内循环共进行了0+1+...+m-1=(m-1)m/2次所以,i从0取到n,则循环共进行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以时间复杂度为O(n^3).


我们还应该区分算法的最坏情况的行为和期望行为。如快速排序的最坏情况运行时间是 O(n^2)，但期望时间是 O(nlogn)。通过每次都仔细地选择基准值，我们有可能把平方情况 (即O(n^2)情况)的概率减小到几乎等于 0。在实际中，精心实现的快速排序一般都能以 (O(nlogn)时间运行。

下面是一些常用的记法：

①访问数组中的元素是常数时间操作，或说O(1)操作。

②一个算法如果能在每个步骤去掉一半数据元素，如二分检索，通常它就取 O(logn)时间。③用strcmp比较两个具有n个字符的串需要O(n)时间。

④常规的矩阵乘算法是O(n^3)，因为算出每个元素都需要将n对元素相乘并加到一起，所有元素的个数是n^2。

⑤指数时间算法通常来源于需要求出所有可能结果。

例如，n个元素的集合共有2n个子集,所以要求出所有子集的算法将是O(2n)的。

:-D指数算法一般说来是太复杂了，除非n的值非常小，因为，在这个问题中增加一个元

素就导致运行时间加倍。不幸的是，确实有许多问题 (如著名的“巡回售货员问题” )，到目

前为止找到的算法都是指数的。如果我们真的遇到这种情况，通常应该用寻找近似最佳结果

的算法替代之。

常见的时间复杂度，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)。

下面我们通过例子加以说明，让大家碰到问题时知道如何去解决。

1、设三个函数f,g,h分别为f(n)=100n^3+n^2+1000 , g(n)=25n^3+5000n^2 , h(n)=n^1.5+5000nlgn
请判断下列关系是否成立：
（1）f(n)=O(g(n))
（2）g(n)=O(f(n))
（3）h(n)=O(n^1.5)
（4）h(n)=O(nlgn)
◆ (1)成立。题中由于两个函数的最高次项都是n^3,因此当n→∞时，两个函数的比值是一个常数，所以这个关系式是成立的。
◆（2）成立。与上同理。
◆（3）成立。与上同理。
◆（4）不成立。由于当n→∞时n^1.5比nlgn递增的快，所以h(n)与nlgn的比值不是常数，故不成立。

2、设n为正整数，利用大"O"记号，将下列程序段的执行时间表示为n的函数。
(1) i=1; k=0
while(i<n)
{ k=k+10*i;i++;
}
解答：T(n)=n-1，T(n)=O(n)，这个函数是按线性阶递增的。
(2) x=n; // n>1
while (x>=(y+1)*(y+1))
y++;
解答：T(n)=n1/2，T(n)=O(n1/2)，最坏的情况是y=0，那么循环的次数是n1/2次，这是一个按平方根阶递增的函数。
(3) x=91; y=100;
while(y>0)
if(x>100)
{x=x-10;y--;}
else x++;
解答： T(n)=O(1)，这个程序看起来有点吓人，总共循环运行了1000次，但是我们看到n没有?没。这段程序的运行是和n无关的，就算它再循环一万年，我们也不管他，只是一个常数阶的函数。