本文共 2103 字,大约阅读时间需要 7 分钟。
【转载】
时间复杂度
一个算法执行所耗费的时间,从理论上是不能算出来的,必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试,只需知道哪个算法花费的时间多,哪个算法花费的时间少就可以了。并且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)。时间频度T(n)中,n称为问题的规模,当n不断变化时,时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律,为此我们引入时间复杂度的概念。算法的时间复杂度也就是算法的时间度量,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,称作算法的渐进时间复杂度,简称「时间复杂度」。
这种表示方法我们称为「 大O符号表示法 」,又称为渐进符号,是用于描述函数渐进行为的数学符号
常见的时间复杂度量级有:
常数阶 O ( 1 ) O(1) O(1)
线性阶 O ( n ) O(n) O(n) 平方阶 O ( n 2 ) O(n^2) O(n2) 立方阶 O ( n 3 ) O(n^3) O(n3) 对数阶 O ( l o g n ) O(logn) O(logn) 线性对数阶 O ( n l o g n ) O(nlogn) O(nlogn) 指数阶 O ( 2 n ) O(2^n) O(2n) 常数阶 O ( 1 ) O(1) O(1) O ( 1 ) O(1) O(1),表示该算法的执行时间(或执行时占用空间)总是为一个常量,不论输入的数据集是大是小,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),如:int i = 1;int j = 2;int k = i + j;
上述代码在执行的时候,它消耗的时候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 ) O(1) O(1)来表示它的时间复杂度。
线性阶 O ( n ) O(n) O(n)
O ( n ) O(n) O(n),表示一个算法的性能会随着输入数据的大小变化而线性变化,如for (int i = 0; i < n; i++) { j = i; j++;}
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 ) O(n) O(n)来表示它的时间复杂度。
平方阶 O ( n 2 ) O(n^2) O(n2)
O ( n ² ) O(n²) O(n²) 表示一个算法的性能将会随着输入数据的增长而呈现出二次增长。最常见的就是对输入数据进行嵌套循环。如果嵌套层级不断深入的话,算法的性能将会变为立方阶 O ( n 3 ) O(n3) O(n3), O ( n 4 ) O(n4) O(n4), O ( n k ) O(n^k) O(nk)以此类推for(x=1; i<=n; x++){ for(i=1; i<=n; i++){ j = i; j++; }}
指数阶 O ( 2 n ) O(2^n) O(2n)
O ( 2 n ) O(2^n) O(2n),表示一个算法的性能会随着输入数据的每次增加而增大两倍,典型的方法就是裴波那契数列的递归计算实现int Fibonacci(int number){ if (number <= 1) return number; return Fibonacci(number - 2) + Fibonacci(number - 1);}
对数阶 O ( l o g n ) O(logn) O(logn)
int i = 1;while(i
上面的代码,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,直到i不小于n退出。我们试着求解一下,假设循环次数为x,也就是说 2 的 x 次方等于 n,则由2^x=n得出x=log₂n。因此这个代码的时间复杂度为 O ( l o g n ) O(logn) O(logn)
线性对数阶 O ( n l o g n ) O(nlogn) O(nlogn)
线性对数阶$O(nlogn) , 就 是 将 时 间 复 杂 度 为 对 数 阶 ,就是将时间复杂度为对数阶 ,就是将时间复杂度为对数阶O(logn) 的 代 码 循 环 n 遍 的 话 , 那 么 它 的 时 间 复 杂 度 就 是 n ∗ O ( l o g N ) , 也 就 是 了 的代码循环n遍的话,那么它的时间复杂度就是 n * O(logN),也就是了 的代码循环n遍的话,那么它的时间复杂度就是n∗O(logN),也就是了O(nlogn)$,如下,for(m=1; m
除此之外,其实还有平均情况复杂度、最好时间复杂度、最坏时间复杂度。。。一般没有特殊说明的情况下,都是值最坏时间复杂度。