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:
- 用常数1取代运行时间中的所有加法常数。
- 在修改后的运行次数函数中,只保留最高阶项。
- 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