算法的时间复杂度

1、时间频度的基本概念：

时间频度：一个算法的花费的时间与算法的语句的执行次数成正比。一个算法执行次数越多，花费的时间越多。

一个算法中的语句执行次数称为语句频度或时间频度，记作：T(n)。

举例说明：

计算1+2+3+。。。+100，

代码1：

int total=0;

int end=100;

for(int i=1;i<100;i++){

total=total+i;

}

T(n)=n+1;

加1是因为最后n=100了，但是n=100后还要再进行1次判断。

//直接计算

total=（1+end)*end/2;

T(n)=1;

 

三大原则：

1）忽略常数项：

    T(n)=2n+10和T(n)=2n随着n的增大，执行曲线不断增大。

2）忽略低次项

   T(n)=2n^2+3n+10 和T(n)=2n^2 随着n的增大，执行曲线无线接近。

3）忽略系数

T(n)=3n^2+2n 与 T(n)=5n^2+7n 随着n的增大，执行曲线无线接近。

 

2、时间复杂度

1）一般情况下，算法中的基本操作语句的重复执行次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n),使得当

T(n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数，记作T(n)=O(f(n)),称算法的渐进时间复杂度，简称时间复杂度。

2）计算时间复杂度的方法：

《1》用常数1来代替运行时间中的所有加法常数    T(n)=n^2+7n+6-------T(n)=n^2+7n+1

《2》修改后的运行次数函数中，只保留最高阶项    T(n)=n^2+7n+1------T(n)=n^2

《3》去除最高阶项的系数   T(n)=n^2-----T(n)=n^2----O(n^2)

 

3、常见的时间复杂度

1）常数阶O(1) 时间复杂度最小

2)  对数阶O(log2N) 2为底数，N为真数

3) 线性阶 O(n)

4) 线性对数阶O(nlog2N) 2为底数，N为真数

5) 平方阶O(n^2)

6) 立方阶O(n^3)

7) K次方阶O(n^k)

8) 指数阶O(2^n)

上述，从1）---到8,时间复杂度不断增大，算法的执行效率越来越低

1）常数阶O(1)

无论执行多少行代码，只要没有循环等复杂结构，那这个代码的时间复杂度就都是O(1)

代码例子：

int i=0;

int j=0;

i++;

j++;

int h=i+j;

 

2 ）对数阶O(log2N) 2为底数，N为真数

int i=1;

while(i<n){

i=i*2;}

说明：在循环体内，i每次乘以2，i离n越来越近，假设循环X次数后，i就大于n了，退出循环，也就2的X次方为n,那么x=log2N

3)线性阶 O(n)

单层的for循环。

int total=0;

int end=100;

for(int i=1;i<100;i++){

total=total+i;

}

说明：for循环里，代码执行n遍，因此他消耗的时间是随着n的变化而变化。

时间频度为T(n)=n+1,时间复杂度为O(n)

 

4)线性对数阶O(nlog2N)

for（int i=0;i<n;i++){

i=1;

while(i<n){

i=i*2;

}

}

说明：将时间复杂度为O(log2N)的外面加一个for循环，时间复杂度就是线性对数阶O(nlog2N)

5）平方阶O(n^2)

两层for循环

6）立方阶O(n^3)

三层for循环

 

平均时间复杂度：

所有可能的输入实例均以等概率出现的情况下，该算法的运行时间。

最坏情况下的时间复杂度：

最坏时间复杂度-------一般讨论的时间复杂度就是最坏时间复杂度。