时间复杂度

一、为什么需要分析时间复杂度

1. 测试结果依赖测试环境：

   假设你要做一个汤。你在一个高压锅中煮，20分钟就完成了。但是如果你用一个普通的锅，可能需要1个小时。这就像你使用不同的计算机来运行算法：高效的计算机（高压锅）运行得更快，而较慢的计算机（普通锅）需要更长的时间。

   因此，仅凭实际运行时间来评价算法的优劣是不准确的。

2. 测试结果受数据规模的影响很大：

   还是那道汤，假如你要为自己煮，可能需要的材料很少，20分钟就可以搞定。但是如果你要为一个大家庭或一个聚会煮，需要的材料就会多得多，可能需要几个小时。

   这就像一个算法处理不同大小的数据集。对于小数据集，它可能非常迅速；但当数据规模扩大，它可能就不再那么高效了。

        因此，我们分析时间复杂度，就像一个厨师在烹饪前先估算所需的时间，考虑到他所使用的工具和准备为多少人做饭。这样，不管面对什么情况，他都能给出一个合理的预测，确保食物及时上桌。

二、时间复杂度的概念

跑步比赛的时候，当我们要比较哪位运动员跑得更快时，我们通常会看他们完成赛跑的时间。同样地，当我们要比较哪个算法“跑得更快”，我们会看其时间复杂度。这是衡量算法速度的方法。

三、大O复杂度表示法

以下是一段很简单的代码，正常人不会这么写，这里我用来演示。

String niceSong(int n) {
        String song = "la "; // 前奏（第2行）
        int i = 0;
        for (; i < n; i++) {
            song += "xi~";  // 每次弹奏一个“xi”音符
        }
        return song;
    }

我们最后输出一段音乐旋律“la xi~xi~xi~xi~xi~”。假设每行代码的执行时间都一样，为unit_time（单位时间）。那么这段代码第2、3行都运行了1遍，所以需要2n*unit_time的执行时间，第4、5行都运行了n遍，所以需要2n*unit_time 的执行时间，所以这段代码的总执行时间是(2n+2)*unit_time。不难发现，所有代码的执行时间 T(n) 与每行代码的执行次数成正比。

我们可以把这个规律总结成一个公式：

T(n)：代码的执行时间。其中，T 代表“时间”， n 代表着算法的输入大小，在上面这段代码中，n是“xi”这个音符的弹奏次数。

O()：这是所谓的“大O表示法”，它用于描述算法复杂度的上界。当我们说一个算法的时间复杂度为 O(f(n)) 时，我们指的是随着输入大小 n 的增长，算法的执行时间将不超过 f(n) 的某个常数倍。

f(n)：这是一个函数，表示随着输入大小 n 的变化，例如，f(n)=n 表示线性的增长；表示算法时间会以平方的速度增长。

那么以上代码中的时间复杂度就可以表示为：，这就是大 O 时间复杂度表示法。现在，关于大 O 表示法：你可以想象它就像是描述乐曲的旋律时，我们只关心高潮（最大）部分。在刚刚的乐曲代码中，当n很大时，公式中的低阶、常量、系数三部分并不影响左右增长趋势，所以都可以忽略。

我们只需要记录一个最大量级就可以了，那么  就可以简化为 。同理，  可以简化为 。

需要注意的是：大 O 时间复杂度并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势。