算法时间复杂度

算法时间复杂度定义

在进行算法分析时，语句总的执行次数 $T(n)$ 是关于问题规模 n 的函数，进而分析 $T(n)$ 随 n 的变化情况并确定 $T(n)$ 的数量级。算法的时间复杂度，也就是算法的时间量度，记作：$T(n)=O(f(n))$。它表示随问题规模 n 的增大，算法执行时间的增长率和 $f(n)$ 的增长率相同，称作算法的渐近时间复杂度，简称时间复杂度。其中 $f(n)$ 是问题规模 n 的某个函数。

这样用大写 $O()$ 来体现算法时间复杂度的记法，称之为大O记法

一般情况下，随着 n 的增大，$T(n)$ 增长最慢的算法为最优算法

推导大 O 阶方法

推导大 O 阶：

1. 用常数 1 取代运行时间中的所有加法常数
2. 在修改后的运行次数函数中，只保留最高阶项
3. 如果最高阶项存在且不是 1，则去除与这个项相乘的常数

得到的结果就是大 O 阶

常数阶

与问题的大小无关（n 的多少），执行时间恒定的算法，称之为具有 $O(1)$ 的时间复杂度，又叫常数阶

注：不管这个常数是多少，都记作 $O(1)$，而不能是 $O(3)$、$O(12)$ 等其他任何数字

线性阶

for(int i=0;i<n;i++){
   
    // 时间复杂度为 O(1) 的程序步骤
}

上面的时间复杂度是 $O(n)$，因为循环体的代码需要执行 n 次。

对数阶

int count=1;
while(count<n){
   
    count=count*2;
}

由于每次 count 乘以 2 之后，距离 n 更近一分。也就是说，有多少个 2 相乘后大于 n，则会退出循环。由 2 x = n 2^{x}=n