时间复杂度

时间频度
一个算法执行的时间与算法中语句的执行次数成正比例，也就是说，一个算法语句执行次数多，所花费的时间也就越多。一个算法中的语句执行次数，成为语句频度或者时间频度，记作T(n)。

举例：
比如计算1-100的和 ： int sum=0; int end=100;

使用循环：
for(int i=1;i<=end;i++){
sum+=i;
}
此时的T(n)=n+1 ;

直接计算：
sum=(1+end)*end/2;
此时的T(n)=1；

时间频度的比较：
1.可忽略常数项（如T(n)=3n+10与T(n)=3n，随着n的变大，无限接近）；
2.忽略低次项（如T(n)=n^2+3n+10与T(n)=n*n ）;
3.忽略系数

时间复杂度
1.一般情况下，算法中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（即时间频度）,若有某个辅助函数f(n),使得当n趋近与无穷大时，T(n)/f(n)的极限值为不等于0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。
2.时间频度不同（T(n)），但时间复杂度可能相同。
3.时间复杂度的计算方法：如T（n）=3n^2+3n+4
①用常数1代替运行时间中所有的加法常数 即（T（n）=3n^2+3n+1）
②修改后的运行次数函数中，只保留最高阶项 即（T（n）=3n^2）
?去除最高阶项的系数 即（T（n）=n^2）
所以时间复杂度为O(n^2)

常见的时间复杂度：
常数阶O(1),对数阶O(log2n),线性阶O(n),线性对数阶O(nlog2n),平方阶O(n²),立方阶O(n的三次方),k次方阶O(n^k),指数阶O(2的n次方)
看不懂不要问，问就是数学老师生病了，体育老师代的课。。。
上述时间复杂度由小到大排列，随着n的增加，时间复杂度增加，算法的执行效率越低

举例说明：
常数阶O(1)：
无论代码执行了多少行，只要没有循环等复杂结构，那么时间复杂度就为O(1)
int i=1;
int j=2;
i++;
j++;
上述代码，消耗的时间并不随某个变量的增长而增长，无论执行多少行，时间复杂度都为常熟阶

对数阶O(log2n)：
int i=1;
while(i<n){
i=i2; //注意这里如果为i=i3 则O(log3n)
}
在while循环里，每次都要i*2,i距离n就越来越近，假设循环x后，i>=n退出循环，即2x=n 则x=log2n，所以时间复杂度为O(log2n)

线性阶O(n)：

for(int i=1;i<=n;++i){
j=i;
j++;
}
for循环里的代码会执行n遍，它消耗的时间随n的变化而变化，空间复杂度为O(n)

线性对数阶O(nlog2n)
for(int m=1;m<n;m++){
int i=1;
while(i<n){
i=i*2;
}
}
将空间复杂度为O(log2n)代码循环n遍，时间复杂度即O(nlog2n)
其他的就不列举了。。。

平均时间复杂度和最坏时间复杂度
1.平均时间复杂度所有可能的输入实例均以等概率的情况下出现，该算法的运行时间
2.最坏情况下的时间复杂度成为最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的复杂度，这就保证了算法的运行时间不会比最坏情况下的更长

各种排序算法的对比，网上找的一张图，可以参考一下