时间复杂性

     

面给出了一些常用的作为问题规模的例子：

z 在排序和查找问题中，用数组或表中元素的个数作为问题的规模；

z 在图的相关问题中，用图中的点或（和）边的数目；

z 在计算几何问题中，用顶点、边、线段或多边形的数目；

z 在矩阵运算中，用矩阵的维数；

z 在数论问题中，通常将表示输入数的比特数来表示输入大小。

最后，在分析一个算法在输入一个规模为 n 的实例时，我们是否需要将 T(n) 的精确值求

出来呢？

事实上我们在评估一个算法时并不需要精确计算 T(n) 。因为这是没有必要并且有时也是

不可能的。算法的性能好坏是通过与其他算法的比较而得出的，由于算法对小规模输入实例

所需的处理时间很少，因此小规模输入实例对性能的比较没有多大意义。我们关注的是在问

题规模很大时算法的效率差异，而当问题的规模 n 不断变大时，在函数 T(n) 中有一些部分就

会变得不重要。例如在算法 2-1 中当 n 不断变大时，算法执行的所有赋值语句对整个运行时

间的影响就越来越小。为此我们可以将这些不重要的部分忽略，转而讨论运行时间的增长率

或增长的阶。

一旦去掉表示算法运行时间中的低阶项和首项常数，就称我们是在度量算法的 渐进时间

复杂度（ asymptotic complexity ） ，简称 时间复杂度 。

为了进一步说明算法的时间复杂度，我们定义 Ο、Ω、Θ 符号

在计算机资源中，最重要的就是时间与空间。评价一个算法性能的好坏，实际上就是评

价算法的资源占用问题。在这一小节中我们讨论算法运行时间的确定问题，这个问题被称之

为算法的时间复杂性。

对同一个算法而言，如果问题的规模不同，那么实

际的运算时间也会有很大差异。例如在算法 2-1 中，如果算法分别对 100 个整数排序以及对

10 9 个整数排序，其实际运行时间的差异是非常大的。假设算法中进行一比较需要 10 -8 秒，

那么对 100 个数进行排序大概需要 100*99/2*10 -8 =0.0000495 秒，而对 10 9 个数排序则需要

10 9 *(10 9 -1)/2*10 -8 =158.5 年。为此在分析算法的运行时间时我们必须将问题的规模（通常用

n 来表示）也考虑进去。显然算法执行基本操作的次数是关于规模 n 的非负函数，我们把它记

为 T(n) 。

下面给出了一些常用的作为问题规模的例子：

Ο符号

对算法 2-1 的 T(n) 进行分析，我们可以得到：

这时我们说算法 2-1 的时间复杂度为Ο (n 2 ) ，这个符号可以解释为：只要当排序元素的

个数大于某个阈值 N 时，那么对于某个常量 c > 0 ，运行时间最多为 cn 2 。也就是说Ο符号提供

了一个运行时间的上界。

定义 2-1 令 T(n) 和 f(n) 是非负函数，如果存在一个非负整数 N 以及一个常数 c>0 ，使得：

 

 

Ω符号

Ο符号给出了算法时间复杂度的上界，而Ω符号在运行时间的常数因子范围内给出了时

间复杂度的下界。

Ω符号可以解释为：如果输入大于等于某个阈值 N ，算法的运行时间下限是 f(n) 的 c 倍，

其中 c 是一个正常数，则称算法的时间复杂度是Ω (f(n)) 的。Ω的形式定义与Ο符号对称。

定义 2-2 令 T(n) 和 f(n) 是非负函数，如果存在一个非负整数 N 以及一个常数 c>0 ，使得：

θ符号

Ο符号给出了算法时间复杂度的上界，Ω符号给出了时间复杂度的下界，而θ给出了算

法时间复杂度的精确阶。

Θ符号可以解释为：如果输入大于等于某个阈值 N ，算法的运行时间在下限 c 1 f(n) 和上限

c 2 f(n) 之间（ 0<c 1 ≤ c 2 ），则称算法的时间复杂度是Θ (f(n)) 阶的。该符号的形式定义如下。

定义 2-3 令 T(n) 和 f(n) 是非负函数，如果存在一个非负整数 N 以及常数 c 1 >0 和 c 2 >0，使得：

 

 

通过以上的分析我们可以看出：我们评价算法的运行时间是通过分析在一定规模下算法

执行基本操作的次数来反映的，并且由于我们只对大规模问题的运行时间感兴趣，所以是使

用算法的渐进时间复杂度 T(n) 来度量算法的时间性能的。Ο、Ω、Θ符号分别定义了时间复

杂度的上界、下界以及精确阶。