一. 定义:
在进行算法分析时,语句总的执行次数T(n) 是关于问题规模n的函数, 进而分析T(n) 随 n 的变化情况并确认T(n) 的数量级。 算法的时间复杂度,也是算法的时间度量,记作:T(n) = O(f(n)). 它表示随问题规模的增大,算法执行时间的增长率和f(n) 的增长率相同 称作算法的渐近时间复杂度,简称时间复杂度. 其中f(n)是问题规模n 的 的某个函数
二. 推导大O阶方法
- 用常数1 取代运行时间中的所有加法常数
- 在修改后的运行次数函数中, 只保留最高阶项
- 如果最高阶项相乘一个常数且不是1, 则去掉这个常数
1. 常数阶时间复杂度 : O(1)
- 以下程序片段的时间复杂度函数 :f(n) = 1+1+1 = 3
- 根据推导大O阶方法第一条: 用1 代替常数项
- 所以,时间复杂度为O(f(n)) = O(1); 称为常数阶
int sum = 0, n= 100; //执行一次
int sum = 0, n= 100; //执行一次
int sum = 0, n= 100; //执行一次
复制代码
2. 线性阶时间复杂度: O(n)
- 以下程序片段的时间复杂度函数 :f(n) = n
- 根据推导大O阶方法第二条: 只保留最高阶项
- 所以,时间复杂度为O(f(n)) = O(n); 称为线性阶
for (int i = 0; i < n ; i++) {
System.out.println("i = "+i); // 执行n次
}
复制代码
3. 对数阶时间复杂度 :O(logn)
- 以下程序片段的时间复杂度函数 :f(n) = log(2)n
- 所以,时间复杂度为O(f(n)) = O(logn); 称为对数阶
int count = 1;
while(count < n ){
// 每执行一次,count 乘 2
// 设x次后, count 大于 n ; 终止程序
// 所以函数; 2^x = n --> x = log(2)n
count = count*2; // 这里执行 log(2)n 次
}
复制代码
4. 平方阶时间复杂度:O(n^2)
example 1:
- 以下程序片段为双重循环,所以执行次数为每个循环次数的乘积;时间复杂度函数 :f(n) = n^2
- 根据推导大O阶方法第二条: 只保留最高阶项
- 所以,时间复杂度为O(f(n)) = O(n^2),称为平方阶
for (int i = 0; i < n; i++) {
for (int j = 0; j < n ; j++) {
System.out.println("i = "+i+" j="+j); //执行n*n次
}
}
复制代码
example 2:
- 以下程序片段时间复杂度函数 :f(n) = n^2/2+n/2
- 根据推导大O阶方法第二条: 只保留最高阶项 :f(n) = n^2/2
- 根据推导大O阶方法第三条: 如果最高阶项相乘一个常数且不是1, 则去掉这个常数:f(n) = n^2
- 所以, 时间复杂度为O(f(n)) = O(n^2),称为平方阶
for (int i = 0; i < n; i++) {
for (int j = i; j < n ; j++) {
// 注意; 内层的j = i,
//所以,每次i 增加 1, 内层循环就减少一次
// 则,
// 当i=0; 时,内层循环执行 n次
// 当i=1时, 内层循环执行 n-1 次
//....
//当i=n-1, 内层循环执行 1 次
// 所以,总执行次数相加为: n+(n-1)+(n-2)+...+1 = n(n+1)/2 【高斯求和】
System.out.println("i = "+i+" j="+j);
}
}
复制代码
三、常见的时间复杂度
执行次数函数 | 阶 | 非正式术语 |
---|---|---|
12 | O(1) | 常数阶 |
2n+3 | O(n) | 线性阶 |
3n^2+2n+1 | O(1) | 平方阶 |
5log(2)n+20 | O(logn) | 对数阶 |
2n+3nlog(2)n+19 | O(nlogn) | nlogn阶 |
6n^3+2n^2+3n+4 | O(n^3) | 立方阶 |
2^n | O(2^n) | 指数阶 |