时间复杂度分析(二)--常见时间复杂度

之前我介绍了大O时间复杂度的由来和表示方式(算法时间复杂度分析(一)), 最后介绍了几个分析大O时间复杂度的简单规则。这一篇介绍一些平时开发中经常会遇到的时间复杂度。

在我们实际开发过程中，我们去实现某一个需求的代码或者算法千差万别，但是如果总结一下这千万种算法的时间复杂度，其实无外乎就是以下几种

O(1)

首先你必须明确一个概念，O(1) 只是常量级时间复杂度的一种表示方法，并不是指只执行了一行代码。

比如以下这段代码，即便有 3 行，它的时间复杂度也是 O(1），而不是 O(3)。

1 int sum(int n) {
2     int i = n * 10;
3     int j = n * 20;
4     int k = i + j;
5    return k;
6 }

还记得时间复杂度的定义吗？它表示代码执行时间随数据规模增长的变化趋势。上述代码不管输入的 n 多大，第2、3、4行代码的执行时间永远是固定的。也就是说， 只要代码的执行时间不随 n 的增大而增长，这样代码的时间复杂度我们都记作 O(1)。

一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其时间复杂度也是Ο(1)。 

除此之外，一些常见的数据结构的操作复杂度也是O(1)。比如，数组根据下标随机访问array[0]、HashTable的查找操作时间复杂度都是O(1)。

int[] array = new int[100];

public void test() {
    int i = array[0];
    int j = array[1];
    int k = array[2];
}

test 方法中虽然执行了3行代码，并且分别从数组中取值。但是因为数组的随机访问复杂度为O(1), 所以 test 方法的时间复杂度还是O(1)。

O(n)

如果将刚才访问数组的代码改成如下

 1int[] array;
 2/**
 3 * 返回数组中值为value的下标
 4 */
 5public int test(int value) {
 6    int index = -1;
 7    for (int i = 0; i < array.length; i++) {
 8        if(array[i] == value) {
 9            index = i;
10        }
11    }
12    return index;
13}

上面的代码中是在数组中查找是否存在value的数值，如果存在返回所对应的下标。因为这段代码的运行时间是随之数组的规模增大而增大，并且执行的次数就是数组的长度。所以此时的时间复杂度为O(n)。

O(logn)、O(nlogn)

对数阶时间复杂度非常常见，同时也是最难分析的一种时间复杂度。我通过一个例子来说明一下。

1i=1;
2while (i <= n)  {
3   i = i * 2;
4}

根据我们前面讲的复杂度分析方法，第三行代码是循环执行次数最多的。所以，我们只要能计算出这行代码被执行了多少次，就能知道整段代码的时间复杂度。

从代码中可以看出，变量 i 的值从 1 开始取，每循环一次就乘以 2。当大于 n 时，循环结束。还记得我们高中学过的等比数列吗？实际上，变量 i 的取值就是一个等比数列。如果我把它一个一个列出来，就应该是这个样子的：

所以，我们只要知道 x 值是多少，就知道这行代码执行的次数了。

所以，这段代码的时间复杂度就是 O(log2n)。

现在，我把代码稍微改下，你再看看，这段代码的时间复杂度是多少？

1 i=1;
2 while (i <= n)  {
3   i = i * 3;
4 }

根据我刚刚讲的思路，很简单就能看出来，这段代码的时间复杂度为O(log3n)。

实际上，不管是以 2 为底、以 3 为底，还是以 10 为底，我们可以把所有对数阶的时间复杂度都记为 O(logn)。为什么呢？

我们知道，对数之间是可以互相转换的

所以 O(log3n) = O(C * log2n)，其中 C=log32 是一个常量。基于我们前面的一个理论：在采用大 O 标记复杂度的时候，可以忽略系数，即 O(Cf(n)) = O(f(n))。所以，O(log2n) 就等于 O(log3n)。因此，在对数阶时间复杂度的表示方法里，我们忽略对数的“底”，统一表示为 O(logn)。

如果你理解了我前面讲的 O(logn)，那 O(nlogn) 就很容易理解了。还记得我们刚讲的乘法法则吗？如果一段代码的时间复杂度是 O(logn)，我们循环执行 n 遍，时间复杂度就是 O(nlogn) 了。而且，O(nlogn) 也是一种非常常见的算法时间复杂度。比如，归并排序、快速排序的时间复杂度都是 O(nlogn)。

最经典的O(logN)复杂度应该就是二分查找(Binary Search)
而O(N * LogN)在很多排序算法中比较常见，比如合并排序，快速排序等

O(m+n)、O(m*n)

我们再来讲一种跟前面都不一样的时间复杂度，代码的复杂度由两个数据的规模来决定。老规矩，先看代码！

 1int cal(int m, int n) {
 2  int sum_1 = 0;
 3  int i = 1;
 4  for (; i < m; ++i) {
 5    sum_1 = sum_1 + i;
 6  }
 7  int sum_2 = 0;
 8  int j = 1;
 9  for (; j < n; ++j) {
10    sum_2 = sum_2 + j;
11  }
12  return sum_1 + sum_2;
13}

从代码中可以看出，m 和 n 是表示两个数据规模。我们无法事先评估 m 和 n 谁的量级大，所以我们在表示复杂度的时候，就不能简单地利用加法法则，省略掉其中一个。所以，上面代码的时间复杂度就是 O(m+n)。

针对这种情况，原来的加法法则就不正确了，我们需要将加法规则改为：T1(m) + T2(n) = O(f(m) + g(n))。但是乘法法则继续有效：T1(m)*T2(n) = O(f(m) * f(n))。

内容小结

基础复杂度分析的知识到此就讲完了，我们来总结一下。复杂度也叫渐进复杂度，用来分析算法执行效率与数据规模之间的增长关系，可以粗略地表示，越高阶复杂度的算法，执行效率越低。常见的复杂度并不多，从低阶到高阶有：O(1)、O(logn)、O(n)、O(nlogn)、O(n2)。等你学完整个系列之后，你就会发现几乎所有的数据结构和算法的复杂度都跑不出这几个。