算法的时间复杂度（常见时间复杂度及其实例）

算法的时间复杂度

---

一、什么是算法的时间复杂度？

1.时间频度

要了解时间复杂度的概率就得先知道什么是时间频度。
时间频度：一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。

2.时间复杂度

一般情况下，算法中的基本操作语句的重复执行次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n)，使得当n趋近于无穷大时，T(n) / f(n) 的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作 T(n)=Ｏ( f(n) )，称Ｏ( f(n) ) 为算法的渐进时间复杂度，简称时间复杂度。

二、常见的时间复杂度

1.常数阶O(1)

说明：无论程序代码有多少行，只要程序中没有循环等复杂结构，那么这个程序的时间复杂度就为常量阶O(1)。

案例代码如下：

int a = 1;
int b = 1;
a++;
b++;
int t = a + b;

2.对数阶O(log₂n)

说明：在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。假设循环x次之后，i 就大于 2 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 n，那么 x = log2n也就是说当循环 log2n 次以后，这个代码就结束了。因此这个代码的时间复杂度为：O(log2n) 。 O(log2n) 的这个2 时间上是根据代码变化的，i = i * 3 ，则是 O(log3n) 。

案例代码如下：

int i = 1;
while (i <= n){
    i = i * 2;
}

3.线性阶O(n)

说明：这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用O(n)来表示它的时间复杂度。

案例代码如下：

for (int i = 1; i <= n; i++) {
      System.out.println(1);
}

4.线性对数阶O(nlog₂n)

说明：线性对数阶O(nlogN) 其实非常容易理解，将时间复杂度为O(logn)的代码循环N遍的话，那么它的时间复杂度就是 n * O(logN)，也就是了O(nlogN)。

案例代码如下：

 for (int i = 1; i <= n; i++) {
     int j = 1;
     while (j<=n){
         j = j * 2;
     }
 }

5.平方阶O(n²)

说明：平方阶O(n²) 就更容易理解了，如果把 O(n) 的代码再嵌套循环一遍，它的时间复杂度就是 O(n²)，这段代码其实就是嵌套了2层n循环，它的时间复杂度就是 O(nn)，即 O(n²) 如果将其中一层循环的n改成m，那它的时间复杂度就变成了 O(mn)。

案例代码如下：

for (int i = 1; i <= n; i++) {
      for (int j = 1; j <= n; j++) {
          System.out.println(1);
      }
}

6.立方阶O(n³)

说明：立方阶和平方阶差不多，只是多了一层循环，一共有三层n循环，它的时间复杂度就是O(n*n)。

案例代码如下：

for (int i = 1; i <= n; i++) {
     for (int j = 1; j <= n; j++) {
           for (int k = 1; k <= n; k++) {
                System.out.println(1);
           }
     }
}

7.n次方阶O(nⁿ)

说明：同平方阶，共有n层n循环。

8.n指数阶O(2ⁿ)

说明：指数阶时间复杂度很高，应该尽可能避免。