时间复杂度的理解

时间复杂度的理解
一、定义
在进行算法分析时，语句总的执行次数T（n）是关于问题规模n级。算法的时间复杂度，也就是算法的时间度量，记作：T（n）=O(f(n))。它表示随问题规模n的增大，算法执行时间的增长率和f（n）的增长率相同，称作算法的渐进时间复杂度，简称为时间复杂度。其中f（n）是问题规模n的某个函数
这样用O()来体现算法时间复杂度的记法，我们称之为大O记法。
一般情况下，随着n的增大，T(n)增长最慢的算法为最优算法。
二、推到大O阶的方法
推到大O阶：
1.用常数1取代运行时间中的所有加法常数。、
2.在修改后的运行次数函数中，只保留最高阶项。
3.如果最高阶项存在且不是1，则去除与这个项相乘的常数。
得到的结果就是大O阶。
1.常数阶
顺序结构的时间复杂度。O（1）

这个算法的运行次数函数f（n）=3.根据我们推导大O阶的方法，第一步就是把常数项3改为1。在保留最高阶项时发现，它根本没有最高阶项，所以这个算法的时间复杂度为O(1)。
另外，想一下，如果这个算法当中的语句sum=(1+n)n/2有10句，时间复杂度该是多少？，
其实还是O(1)，不管这个常数是多少，我们都记作O(1)，而不能是O(3)，O(12)等其他任何数字。这种与问题的大小无关（n的多少），执行时间恒定的算法，我们称之为具有O(1)的时间复杂度，又叫常数阶。
对于分支结构而言，无论是真，还是假，执行的次数都是恒定的，不会随着n的变大而发生变化，所以单纯的分支结构（不包含在循环结构中），其时间复杂度也是O（1）。
2.线性阶
线性阶的循环结构会复杂很多，要确定某个算法的阶次，我们常常需要确定某个特定语句或某个语句集运行的次数。因此，我们要分析算法的复杂度，关键就是要分析循环结构的运行情况。
下列代码，它的循环的时间复杂度为O(n)，因为循环体中的代码必须要执行n次

3.对数阶
下面代码，时间复杂度是多少

由于每次count乘以2之后，就距离n更近了一分。也就是说，有多少个2相乘后大于n，则会退出循环。由于2x=n，得到x=log2n。所以这个循环的时间复杂度为O(logn)。
4.平方阶
下面是一个循环嵌套，它的内循环刚才我们已经分析过，时间复杂度为O(n)。

而对于外层的循环，不过是内部这个时间复杂度为O(n)的语句，再循环n次。所以这段代码的时间复杂度为O(n2)。
如果外循环的循环次数改为了m，时间复杂度就变为O（mn）。
所以我们可以总结得出，循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数。
那么下面这个循环嵌套，它的时间复杂度是多少呢？

由于当i=0时，内循环执行了n次，当i=1时，执行了n-1次，……当i=n-1时，执行了1次。所以总的执行次数为：

用我们推导大O阶的方法，第一条，没有加法常数不予烤考虑；第二条，只保留最高阶项，因此保留n2/2；第三条，去除这个项相乘的常数，也就是去除1/2，最终这段代码的时间复杂度为O（n2）。
从这个例子，我们可以得出一个经验，其实理解大O推导不算难，难的是对数列的一些相关运算，这更多的是考察你的数学知识和能力。
我们继续看例子

函数体是打印这个参数。其实这很好理解，function函数的时间复杂度是O(1)。
所以整体的时间复杂度为O(n)。
假如function函数是下面这样的:

这个和刚才举的列子是一样的，只不过把嵌套内循环放到了函数中，所以最终的时间复杂度为O（n2)。

三、常见的时间复杂度
如图表

常用的时间复杂度所耗费的时间从小到大依次是：

四、最坏情况与平均情况
我们查找一个有n个随机数字数组中的某个数字，最好的情况是第一个数字就是，那么算法的时间复杂度为O（1），但也有可能这个数字就在最后一个位置上待着，那么算法的时间复杂度就是O（n），这是最坏的一种情况了。
最坏情况运行时间是一种保证，那就是运行时间将不会再坏了。在应用中，这是一种最重要的需求，通常，除非特别指定，我们提到的运行时间都是最坏情况的运行时间。
平均运行时间是所有情况中最有意义的，因为它是期望的运行时间。
对算法的分析，一种方法是计算所有情况的平均值，这种时间复杂度的计算方法称为平均时间复杂度。另一种方法是计算最坏情况下的时间复杂度，这种方法称为最坏时间复杂度。一般在没有特殊说明的情况下，都是指最坏时间复杂度。
---------甜辣椒 --------------------------------------------
参考：
《大话数据结构》
http://blog.csdn.net/yangwei282367751/article/details/52426911
http://univasity.iteye.com/blog/1164707