算法的时间复杂度
文章目录
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。