算法的时间复杂度和问题规模_算法时间复杂度分析

1. 算法优劣考虑项

在算法设计好之后，如何评定其优劣，以实现对算法的改进，就需要分析算法占用计算机资源的多少了。鉴于计算机主要是由运算和存储两部分构成，我们评定算法优劣也是通过其运行时间和占用内存空间来衡量，即时间复杂度分析和空间复杂度分析。

2. 算法时间复杂度分析

算法分析有事后分析统计方法（即编写算法对应程序，统计其执行时间）和事前估算分析方法（不考虑其它因素，认为算法的执行时间是问题规模n的函数）两种。因编写程序的语言和执行程序的环境（如电脑内存、CPU、周围温度）等因素不相同，会给事后分析统计造成标准无法统一，所以事前分析统计方法更为实用。

一个算法是由控制结构（包括顺序结构，选择结构，循环结构3种）和原操作（如下图求最大公约数算法中除语句④外都是原操作）构成，而算法执行时间是由控制结构与原操作共同作用产生的综合效果。

一般情况下（顺序结构不做考虑），控制语句出现的地方肯定伴随有原操作语句，而原操作语句出现的地方不一定伴随有控制语句的出现。又因为事前估计是采用统一的标准来估计不同算法的优劣，并不是使用确定的准确的执行时间来衡量不同的算法的优劣。所以，一个算法的执行时间快慢可以只由其中的原操作执行时间来考量。

算法执行时间大致等于原操作的执行次数（也称为频度，是问题规模n的函数，用T(n)表示）×单个原操作所需的时间（因单个原操作执行时间极短，可近似看做相等）。通过上式可以看出算法执行时间与T(n)成正比，即可以用T(n)衡量算法执行时间。算法时间复杂度是用T(n)的数量级来表示，记作T(n) =O(f(n))，“O”读作“大O”，是Order的简写，意指数量级，是指存在着正常量c和n0（为一个足够大的正整数），使得

成立，所以算法时间复杂度也称为渐进时间复杂度。

3. 简化与分类

一般，对于问题规模为n的函数，循环体内的原操作数远大于非循环体内的原操作数，进一步简化可以仅采用最深层循环内的原操作（即算法中的基本操作）来进行算法时间复杂度分析。算法执行时间大致=基本操作所需的时间×其运算次数。即在算法时间复杂度分析时，可以计算T(n)时仅仅考虑基本操作的运算次数。

时间复杂度包括最坏时间复杂度、平均时间复杂度（即所有输入实例等概率出现情况下）和最好时间复杂度3种。我们以冒泡排序为例进行解释，如果序列本有序，我们只需比较n-1次，排序完成，则为最好情况下时间复杂度，为O(n)；如果序列为逆序，则需要比较(n-1)+(n-2)+....+1 = n*(n-1)/2次，此时为最坏时间复杂度，且时间复杂度为O(n²)；则平均复杂度也为O(n²)。我们一般讨论的为平均时间复杂度。

4. 总结

1）计算T(n)时仅考虑最深层循环内的原操作（即基本操作）的运算次数便可；

2）我们一般讨论的时间复杂度为平均时间复杂度；

3）一个没有循环的算法的执行时间与问题规模n无关，记作O(1)，也称作常数阶；

4）一个只有一重循环的算法的执行时间与问题规模n的增长呈线性增大关系，记作O(n)，也称线性阶；

5）其余常用的算法时间复杂度还有平方阶O(n²)、立方阶O(n³)、对数阶O(log2n)、指数阶O(2n)等，且算法时间复杂度比较原则为：O(1) < O(log2n) < O(n) < O(nlog2n) < O(n2) < O(n3) < O(2n)<O(n!)。

更多精彩内容，关注公众号：算法简堂