双层for循环时间复杂度_一篇文章带你看懂时间复杂度

一篇文章带你看懂时间复杂度

如果你还在发愁究竟怎么计算时间复杂度和空间复杂度，那你是来对地方了！

名词解释（枯燥乏味的解释，为了文章完整性）：

在计算机科学中，时间复杂性，又称时间复杂度，算法的时间复杂度是一个函数，它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述，不包括这个函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是渐近的，亦即考察输入值大小趋近无穷时的情况。

一.时间复杂度的表示方法

其实就是算法（代码）的执行效率，算法代码的执行时间。我们来看下面一个简单的代码：

int 

假设，每行代码的执行时间为t，那么这块代码的时间就是(2n+2)*t

由此得出：代码执行时间T(n)与代码的执行次数是成正比的！

那么我们来看下一个例子：

int 

同理，该代码执行时间为(2n*n+n+1)*t，没意见吧？继续往后看！

• 注意：在数据结构/算法中，通常使用T(n)表示代码执行时间，n表示数据规模大小，f(n)表示代码执行次数综合，所以上面这个例子可以表示为f(n)=(2n*n+n+1)*t，其实就是一个求总和的式子，O(大写O)表示代码执行时间与f(n)成正比例。

根据上面两个例子得出结论：代码的执行时间 T(n)与每行代码的执行次数 n 成正比 ，人们把这个规律总结成这么一个公式： T(n) = O(f(n))

所以呢，第一个例子中的 T(n)=O(2n+1)，第二个例子中的 T(n)=O(2n*n+n+1)，这就是时间复杂度表示法，也叫大O时间复杂度表示法。

但是，大O时间复杂度并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度，简称时间复杂度。

与泰勒公式相反的是，算了，扯哪去了......

当n变得越来越大时，公式中的低阶，常量，系数三部分影响不了其增长趋势，所以可以直接忽略他们，只记录一个最大的量级就可以了，所以上述两个例子实际他们的时间复杂度应该记为：T(n)=O(n) ，T(n)=O(n*n)

我想你应该明白大致是怎么回事了，那么我们来看看如何去计算它？

二.时间复杂度的分析与计算方法

（1）循环次数最多原则

我们上面说过了，当n变得越来越大时，公式中的低阶，常量，系数三部分影响不了其增长趋势，可以直接忽略他们，只记录一个最大的量级就可以了。因此我们在计算时间复杂度时，只需关注循环次数最多的那段代码即可。

int 

（2）加法原则

int 

上述例子中，最大的两块代码时间复杂度分别为 O(n)和 O(n*n)，其结果本应该是：T(n)=O(n)+O(n * n)，我们取其中最大的量级，因此整段代码的复杂度为：O(n * n)

所以得出结论：量级最大的那段代码时间复杂度=总的时间复杂度

（3）乘法原则

嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

void 

因此这段代码时间复杂度为O(n) * O(n) = O(n*n) = O(n*n)

同理，如果将其中一个n换成m，那么它的时间复杂度就是O(n*m)

三.常见的几种时间复杂度

（1）O(1)常量级时间复杂度

void 

相信你也看明白了，O(1)不是说代码只有一行，这个1它代表的是一个常量，即使它有以前一万行这样的也是O(1)，因为它是固定的不会变化（也就是常量），所以凡是常量级复杂度代码，均记为O(1)

（2）常见的O(n)复杂度

void 

不用多说了吧！继续！

（3）O(logn)，O(nlogn) ，这就有点难度了！

首先我们来回忆以下换底公式： $$ loga(b)*logc(a) = logc(b) $$ 记住公式啊，来看例子：

void 

可以看出，i = i * 2这行代码执行次数是最多的，那么到底执行了多少次呢？

第一次 i=2，执行第二次 i=4，执行第三 次 i=8.........

假设它执行了x次，那么x的取值为： $$ log2(n) $$ 当上述代码的2改成3的时候，x的取值也就是： $$ log3(n) $$ 当然不管log的底数是几，是e也好，是10也罢，统统记为： $$ log(n) $$ 这是为啥子念？由换底公式可以计算出： $$ log3(n) = log3(2)*log2(n) $$ 换底之后，可以看出log3(2)其实就是一个常数，忽略它！而在这场游戏中，log默认就是以2为底的，所以统统记为O(logn)。

void 

所以这个nlogn也很好理解了吧！

半夜码字腰酸背痛，其他的就不多赘述了，举一反三你可以的，喜欢的话帮忙点个赞吧！