王道论坛 三重循环时间复杂度_一、时间复杂度和大O表示法

首先让我们用一个例子展示O(n^3)和O(n^2)在执行时间上的巨大差距！

1.如果 a+b+c=1000，且 a^2+b^2=c^2（a,b,c 为自然数），如何求出所有a、b、c可能的组合?

（1）三重循环：T(n) = O(n*n*n) = O(n3)

import time  
start_time = time.time()  # 用三重循环 
for a in range(0,1001):    
 for b in range(0,1001):        
 for c in range(0,1001):            
 if a**2 + b**2 == c**2 and a+b+c == 1000:            
            print("a,b,c = %d,%d,%d" % （a,b,c)) 
end_time = time.time() 
print("elapsed:%f" % (end_time - start_time)) 
print("complete!") 

(2)两重循环：T(n) = O(n*n*(1+1)) = O(n*n) = O(n2)

2.list和dict操作的时间复杂度(即顺序表和哈希表)

接下来让我们看下两种最典型的数据结构：顺序表和哈希表在增删改查上的时间复杂度对比。

Python 字典中使用了 hash table，因此查找操作的复杂度为 O(1)，而 list 实际是个数组，在 list 中，查找需要遍历整个 list，其复杂度为 O(n)，因此对成员的查找访问等操作字典要比 list 更快。

3、画格子的时间复杂度

下面是《算法图解》里的一个例子，形象展示了5种常见时间复杂度的运行时长对比：

下面按从快到慢的顺序列出了你经常会遇到的5种大O运行时间。

• O(log n)，也叫对数时间，这样的算法包括二分查找。
• O(n)，也叫线性时间，这样的算法包括简单查找。
• O(n * log n)，这样的算法包括第4章将介绍的快速排序——一种速度较快的排序算法。
• O(n^2)，这样的算法包括第2章将介绍的选择排序——一种速度较慢的排序算法。
• O(n!)，这样的算法包括接下来将介绍的旅行商问题的解决方案——一种非常慢的算法

假设你要绘制一个包含16格的网格，且有5种不同的算法可供选择，这些算法的运行时间如上所示。如果你选择第一种算法，绘制该网格所需的操作数将为4（log 16 = 4）。假设你每秒可执行10次操作，那么绘制该网格需要0.4秒。如果要绘制一个包含1024格的网格呢？这需要执行10（log 1024 = 10）次操作，换言之，绘制这样的网格需要1秒。这是使用第一种算法的情况。

第二种算法更慢，其运行时间为O(n)。即要绘制16个格子，需要执行16次操作；要绘制1024个格子，需要执行1024次操作。执行这些操作需要多少秒呢？

大O表示法需要注意的是：

• 算法的速度指的并非时间，而是操作数的增速。
• 谈论算法的速度时，我们说的是随着输入的增加，其运行时间将以什么样的速度增加。
• 算法的运行时间用大O表示法表示。
• O(log n)比O(n)快，当需要搜索的元素越多时，前者比后者快得越多。

4、参考链接

【1】python帮帮：https://mp.weixin.qq.com/s/AMea_T-TnpR4TkJoZO3yhQ

【2】《算法图解》：https://item.jd.com/12148832.html