算法的时间复杂度

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的函数，进而分析T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度，也就是算法的时间量度，记作：T(n) = O(f(n))。它表示随问题规模n的扩大，算法执行的时间的增长率和f(n)的增长率相同，称作算法的渐进时间复杂度，简称为时间夫扎渡。期中f(n)是问题规模n的某个函数。

推导大O阶的方法：

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

常数阶
无论事实上的n为多少，我们都记作O(1)
与问题的大小无关，执行时间恒定的算法，我们称之为具有O(1)的时间复杂度，又称常数阶。

线性阶
我们需要通过确定某个特定语句或某个语句集运行的次数。
举例，一段时间复杂度为O(n)的代码：

该例子中，printf语句执行了n次，所以时间复杂度为O(n)

对数阶：

在这个例子中，count = count * 2;这个语句执行了log(n)次，所以该算法的时间复杂度为O(log(n))

平方阶

外层循环次数为n，内层循环次数也为n，所以总计n^2次，所以O(n^2),若外层循环次数为m，内层为n，则为O(m*n)

常见的时间复杂度

O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)

常见的时间复杂度的非正式术语：常数阶、线性阶、平方阶、对数阶、nlogn阶、立方阶、指数阶

最坏情况与平均情况

最坏情况：最坏情况运行时间是一种保证，那就是运行时间将不会在坏了。通常情况下，我们所说的运行时间就是最坏情况的运行时间。平均情况：平均时间也是有意义的，它是期望的运行时间。
PS：再没有特殊说明的情况下，我们所指的时间复杂度都是最坏时间复杂度