算法的时间复杂度

1.度量一个程序(算法)执行时间的两种方法

1.1 事后统计的方法

这种方法可行，但是有两个问题：一是要想对设计的算法的运行性能进行评测，就需要实际运行该程序；二是所得时间的统计量依赖于计算机的硬件、软件等环境因素, 这种方式，要在同一台计算机的相同状态下运行，才能比较那个算法速度更快。

1.2 事前估算法

事前估算的方法：通过分析某个算法的时间复杂度来判断哪个算法更优。

2.时间频度

时间频度：一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。

比如计算1-100所有数字之和，我们设计两种算法：

蓝色执行一个时间单元，红色执行n个时间单元，黄色执行n+1个时间单元（最后一次还要比较）。

现在我用T(n)表示这个程序运 行了多长时间，那么这个程序 运行的时间就可以写成 T(n)=3n+4。

那么这个for循环计算就是 T(n)=3n+2；

此算法的时间频度为T(n) = 1

2.1 特点

2.1.1 举例说明—忽略常数项

结论：

• 2n+20 和 2n 随着n 变大，执行曲线无限接近，20可以忽略
• 3n+10 和 3n 随着n 变大，执行曲线无限接近，10可以忽略

2.1.2 举例说明—忽略低次项

结论：

• 2n²+3n+10 和 2n² 随着n 变大，执行曲线无限接近，可以忽略 3n+10
• n²+5n+20 和 n² 随着n 变大，执行曲线无限接近，可以忽略 5n+20

2.1.3 举例说明—忽略系数

结论：

• 随着n值变大，5n²+7n 和 3n² + 2n ，执行曲线重合，说明 这种情况下，5和3可以忽略
• 而n³+5n 和 6n³+4n ，执行曲线分离，说明多少次方式关键

3.时间复杂度

• 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n趋近于无穷大时，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Ｏ( f(n) ) 为算法的渐进时间复杂度，简称时间复杂度。
• T(n) 不同，但时间复杂度可能相同。 如：T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的T(n) 不同，但时间复杂度相同，都为O(n²)。
• 计算时间复杂度的方法：
  • 用常数1代替运行时间中的所有加法常数 T(n)=3n²+7n+6 => T(n)=3n²+7n+1
  • 修改后的运行次数函数中，只保留最高阶项 T(n)=3n²+7n+1 => T(n) = 3n²
  • 去除最高阶项的系数 T(n) = 3n² => T(n) = n² => O(n²)

3.1 常见的时间复杂度

3.2 常数阶O(1)

无论代码执行了多少行，只要是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)

int i = 1;
int j = 2;
++i;
j++;
int m = i + j;

上述代码在执行的时候，它消耗的时间并不随着某个变量的增长而增长，那么无论这类代码有多长，即使有几万几十万行，都可以用O(1)来表示它的时间复杂度。

3.3 对数阶O(log₂n)

O(log₂n)

int n = 100;
int i = 1;
while (i < n) {
    i = i * 2;
}

说明：在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。假设循环x次之后，i 就大于或等于 n 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 n，那么 x = log₂n也就是说当循环 log₂n 次以后，这个代码就结束了。因此这个代码的时间复杂度为：O(log₂n) 。 O(log₂n) 的这个2 实际上是根据代码变化的，i = i * 3 ，则是 O(log₃n)。

3.4 线性阶O(n)

int n = 100;
int j = 0;
for (int i = 1; i <= n; i++) {
    j = i;
    j++;
}

说明：这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用O(n)来表示它的时间复杂度。

3.5 线性对数阶O(nlog₂n)

int n = 100;
int m;
int i;
for (m = 1; m < n; m++) {
    i = 1;
    while (i < n) {
        i = i * 2;
    }
}

说明：线性对数阶O(nlog₂n) 其实非常容易理解，将时间复杂度为O(log₂n)的代码循环n遍的话，那么它的时间复杂度就是 n*O(log₂n)，也就是了O(nlog₂n)

3.6 平方阶O(n²)

int x;
int j;
int i = 0;
int n = 100;
for (x = 1; x <= n; x++) {
    for (i = 1; i <= n; i++) {
        j = i;
        j ++;
    }
}

说明：平方阶O(n²) 就更容易理解了，如果把 O(n) 的代码再嵌套循环一遍，它的时间复杂度就是 O(n²)，这段代码其实就是嵌套了2层n循环，它的时间复杂度就是 O(nn)，即 O(n²) 如果将其中一层循环的n改成m，那它的时间复杂度就变成了 O(mn)。

3.7 立方阶O(n³)、K次方阶O(n^k)

说明：参考上面的O(n²) 去理解就好了，O(n³)相当于三层n循环，其它的类似

4.平均时间复杂度和最坏时间复杂度

• 平均时间复杂度是指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称最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。 这样做的原因是：最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限，这就保证了算法的运行时间不会比最坏情况更长。
• 平均时间复杂度和最坏时间复杂度是否一致，和算法有关

5.空间复杂度

• 类似于时间复杂度的讨论，一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间，它也是问题规模n的函数。
• 空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度。有的算法需要占用的临时工作单元数与解决问题的规模n有关，它随着n的增大而增大，当n较大时，将占用较多的存储单元，例如快速排序和归并排序算法就属于这种情况。
• 在做算法分析时，主要讨论的是时间复杂度。从用户使用体验上看，更看重的程序执行的速度。一些缓存产品(redis、memcache)和算法(基数排序)本质就是用空间换时间。