2024年5月8号

今天我们来讲一下时间复杂度如何计算

我们在5月6号已经引入过渐进符号

通过渐进符号等一系列概念，我们可以渐进地描述一个函数的上界、下界，同时也可以描述算法执行时间的增长趋势。

在计算时间复杂度的时候，我们经常使用 O 渐进上界符号。因为我们关注的通常是算法用时的上界，而不用关心其用时的下界。

那么具体应该如何计算时间复杂度呢？

求解时间复杂度一般分为以下几个步骤：

• 找出算法中的基本操作（基本语句）：算法中执行次数最多的语句就是基本语句，通常是最内层循环的循环体部分。
• 计算基本语句执行次数的数量级：只需要计算基本语句执行次数的数量级，即保证函数中的最高次幂正确即可。像最高次幂的系数和低次幂可以忽略。
• 用大 O 表示法表示时间复杂度：将上一步中计算的数量级放入 O 渐进上界符号中。（大家请注意，这一步看似简单，但是在我理解big O的时候，我认为它至少表达了两次含义1:增长趋势是一样的，用数学世界的语言描述就是斜率是一样的，图像上他们是平行的两个曲线，分别一个在上，一个在下；2:用时间来描述时间复杂度的T的增长是不会超过这个bigO的，因为bigO是它的上界，但是不管是时间T还是bigO，用数学语言描述，他们都是自变量为n的函数，图像上他们是平行的两个曲线，分别一个在上，一个在下，在上面的就是bigO含糊描述的曲线，下面的就是T函数描述的曲线）

同时，在求解时间复杂度还要注意一些原则：

• 加法原则：总的时间复杂度等于量级最大的基本语句的时间复杂度。

• 乘法原则：循环嵌套代码的复杂度等于嵌套内外基本语句的时间复杂度乘积。（这个主要用于计算有循环的算法的时间复杂度计算）

下面我们给出一些实例：

常数O（1）

一般情况下，只要算法中不存在循环语句、递归语句，其时间复杂度都为O（1）

O（1）只是常数阶时间复杂度的一种表示方式，并不是指只执行了一行代码。只要代码的执行时间不随着问题规模 n 的增大而增长，这样的算法时间复杂度都记为O（1）

让我再思考一下这个复杂度的概念

注意：

O(1)在这里表达了一个概念：

没错，你的理解是正确的。O(1)代表的是一种概念，而不是某个具体算法的执行次数。它表示算法的执行时间与输入规模是相互独立的，即算法的执行时间是固定的，不随输入规模的增加而增加。

因此，O(1)并不是某个算法真实的具体执行次数的函数表达式，而是一个用于描述算法的时间复杂度的函数，即算法的执行时间与输入规模无关的特性。

并且大家不要讲算法的具体执行次数和算法的时间复杂度相互混淆，

算法的具体执行次数是一个数字

算法的时间复杂度是算法的一个属性或者特性

ps：关于big O中渐近和上界限的数学描述

首先将执行次数用输入规模n写成一个表达式f(n)，然后利用数学上渐进的概念和上界限的概念，也1:就是当n趋近无穷，f(n)在斜率上无线接近某个函数，

2:且我对这个在斜率上无线接近的函数还有一个要求，也就是需要时f(n)这个函数的上界。

这个函数我用O(f(n))来表示，当然这个O(f(n))函数也可以写成一个具体的函数，我们为了刻画感知认识一个算法所需运行时间的多少，就发明了算法的时间复杂度，然后我们就利用这个函数去估计这个算法的时间复杂度，从而让我们对算法的运行消耗时间有一个更具象、更有感知的认识和理解。

通过上述的数学语言描述，它从始至终一直在表达一个意思，也就是算法的执行时间与输入规模时相互独立的无关。

我们在这里的字里行间无时无刻的都在使用各种数学基本概念

ps:

参悟算法的时间复杂度带给这个算法的属性，你需要两步

第一步：写出函数表达式

第二部：将这个函数表达式再用文字语言描述解释出来

线性O(n)

平方O(n^2)

阶乘O

对数O

线性对数O

明早六点，我们准时开始学习

3. 空间复杂度

的概念和相关内容

晚安