Time Complexity （时间复杂度）

定义

Time Complexity（时间复杂度） 用来定性的描述算法的执行时间的一个函数,更类似于一个耗时的趋势,函数表示为: O(f(n))

公式

T(n) = O(f(n)) 渐进时间复杂度

名词解释

n ：问题的规模，重复执行的次数
T(n) ：一段程序运行，各种操作代码所执行的总次数
f(n) ：存在的某个函数,使得T(n)/f(n)=非零常数，那么f(n)称为T(n)的同数量级函数
O ：大O符号，一种符号，表示渐进于无穷的行为

算法中各种代码操作所执行的总次数用T(n)表示，存在某个函数f(n)，使得T(n)/f(n)=非零常数，那么f(n)称为T(n)的同数量级函数(类想一下，在坐标轴中，当入参n趋于无穷时，两条曲线的商为常数)，即：T(n)=O(f(n))，O(f(n))就是时间复杂度。O符号表示一个渐进常数，在这个函数中可以忽略低阶项和首项系数。

时间复杂度推导原则

1. 如果运行时间是常数量级，用常数1表示
2. 只保留时间函数中的最高阶项
3. 如果最高阶项存在，则省去最高阶项前面的系数（与这个项相乘的常数）
4. 递归算法的时间复杂度 == 递归总次数*每次递归的次数

常见时间复杂度

1. 常数阶 O(1)
2. 对数阶 O(logN)
3. 线性阶 O(n)
4. 线性对数阶 O(nlogN)
5. 平方阶 O(n²)
6. 立方阶 O(n³)
7. k次方阶 O(n^k) 一般控制k的大小，否则比指数阶更复杂
8. 指数阶 O(2ⁿ) 一般不用，性能太差

按增长率排序：O(1) < O(logn) < O(n) < O(nlogN) < O(n²) < O(n³) < O(n^k) < O(2ⁿ)

Example

• 常数阶 O(1)

public void O_1() {
   
	int n = 100;	// 没有入参变量，执行规模永远为1行
	long[] fib = {
   1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610, 987, 1597, 2584, 4181, 6765,