最常见的一些算法复杂度

这里总结一些最常见计算的计算复杂度(常见意义上的)：

矩阵相乘：

 

§       最原始的方法：2*n^3+n^2=O(N^3)

§       Strassen算法：O(N^(Log2^7))

§       Winograd&Coppersmith:O(N^2.37)

矩阵向量相乘：

 

§       原始方法：O(N^2)

矩阵方程求解：

 

§       高斯消去：O(N^3) [正向迭代：O(N^3),反向迭代：O(N^2)]

§       完全矩阵LU分解：O(N^2) [正向迭代：O(N^2),反向迭代：O(N^2)]

§       带状矩阵LU分解：O(M*N) (M为带宽)

§       三对角阵LU分解：O(N)

矩阵求逆：

 

§       与矩阵相乘类似（三种结果）

有限元法：

 

§       二维有限元LU分解：O(N^(3/2))

§       三维有限元LU分解：O(N^2)

§       二、三维有限元迭代算法(CG/BCG)：O(N)

时域有限差分：

 

§       二维FDTD(确定时间T)：O(N^(3/2))

§       三维FDTD(确定时间T)：O(N^(4/3))

排序：

 

§       quicksort：O(N*Log(N))

§       bucketsort:O(N) (最好的情况)

FFT： O(N*Log(N))
快速多极子FMM： O(N*Log(N))

大多基于二叉树的算法都可以优化到O(N*Log(N))

[有待补充]

参考文献：
GH Golub/van Loan "Matrix Computations", 1989
PC Hansen "Rank-Deficient and Discreate Ill-Posed Problems", 1998
WC Chew "Waves and Fields in inhomogeneous Media", 1990

多谢kimbtsing@yahoo.com.cn的建议，发现在computational cpx中FMM的计算复杂度是错误的，应该是O(N^1.5)，而MLFMA（多层快速多极子）才是O(NLog(N))
文献参见原文的跟贴.