時間複雜度：如果乙個問題的規模是n，解這一問題的某一演算法所需要的時間為t(n)，它是n的某一函式，t(n)稱為這一演算法的「時間複雜度」。
漸近時間複雜度：當輸入量n逐漸加大時，時間複雜性的極限情形稱為演算法的「漸近時間複雜度」。
當我們評價乙個演算法的時間效能時，主要標準就是演算法的漸近時間複雜度，因此，在演算法分析時，往往對兩者不予區分，經常是將漸近時間複雜度t(n)=o(f(n))簡稱為時間複雜度，其中的f(n)一般是演算法中頻度最大的語句頻度。
此外，演算法中語句的頻度不僅與問題規模有關，還與輸入例項中各元素的取值相關。但是我們總是考慮在最壞的情況下的時間複雜度。以保證演算法的執行時間不會比它更長。
常見的時間複雜度，按數量級遞增排列依次為：常數階o(1)、對數階o(log2n)、線性階o(n)、線性對數階o(nlog2n)、平方階o(n^2)、立方階o(n^3)、k次方階o(n^k)、指數階o(2^n)。
下面我們通過例子加以說明，讓大家碰到問題時知道如何去解決。
1、設三個函式f,g,h分別為 f(n)=100n^3+n^2+1000 , g(n)=25n^3+5000n^2 , h(n)=n^1.5+5000nlgn
請判斷下列關係是否成立：
（1） f(n)=o(g(n))
（2） g(n)=o(f(n))
（3） h(n)=o(n^1.5)
（4） h(n)=o(nlgn)
這 裡我們複習一下漸近時間複雜度的表示法t(n)=o(f(n))，這裡的"o"是數學符號，它的嚴格定義是"若t(n)和f(n)是定義在正整數集合上的 兩個函式，則t(n)=o(f(n))表示存在正的常數c和n0 ,使得當n≥n0時都滿足0≤t(n)≤c?f(n)。"用容易理解的話說就是這兩個函式當整型自變數n趨向於無窮大時，兩者的比值是乙個不等於0的常 數。這麼一來，就好計算了吧。
◆ (1)成立。題中由於兩個函式的最高次項都是n^3,因此當n→∞時，兩個函式的比值是乙個常數，所以這個關係式是成立的。
◆ （2）成立。與上同理。
◆ （3）成立。與上同理。
◆ （4）不成立。由於當n→∞時n^1.5比nlgn遞增的快，所以h(n)與nlgn的比值不是常數，故不成立。
2、設n為正整數，利用大"o"記號，將下列程式段的執行時間表示為n的函式。
(1) i=1; k=0
while(i
解答：t(n)=n-1， t(n)=o(n)， 這個函式是按線性階遞增的。
(2) x=n; // n>1
while (x>=(y+1)*(y+1))
y++;
解答：t(n)=n1/2 ，t(n)=o(n1/2)， 最壞的情況是y=0，那麼迴圈的次數是n1/2次，這是乙個按平方根階遞增的函式。
(3) x=91; y=100;
while(y>0)
if(x>100)
else x++;
解答： t(n)=o(1)， 這個程式看起來有點嚇人，總共迴圈執行了1000次，但是我們看到n沒有? 沒。這段程式的執行是和n無關的，就算它再迴圈一萬年，我們也不管他，只是乙個常數階的函式。
3. 常數階o(1)
temp=i;i=j;j=temp;
以上三條單個語句的頻度均為1，該程式段的執行時間是乙個與問題規模n無關的常數。演算法的時間複雜度為常數階，記作t(n)=o(1)。如果演算法的執行時 間不隨著問題規模n的增加而增長，即使演算法中有上千條語句，其執行時間也不過是乙個較大的常數。此類演算法的時間複雜度是o(1)。
4.平方階o(n^2)
（1） 交換i和j的內容
sum=0； （一次）
for(i=1;i<=n;i++) （n次 ）
for(j=1;j<=n;j++) （n^2次 ）
sum++； （n^2次 ）
解：t(n)=2n^2+n+1 =o(n^2)
（2）
for (i=1;i
解： 語句1的頻度是n-1
語句2的頻度是(n-1)*(2n+1)=2n^2-n-1
f(n)=2n^2-n-1+(n-1)=2n^2-2
該程式的時間複雜度t(n)=o(n^2).
5.線性階o(n)
（1）
a=0;
b=1; ①
for (i=2;i<=n;i++) ②
解： 語句1的頻度：2,
語句2的頻度： n,
語句3的頻度： n-1,
語句4的頻度：n-1,
語句5的頻度：n-1,
t(n)=2+n+3(n-1)=4n-1=o(n).
6.線性對數階o(log2n )
（1）
i=1; ①
while (i<=n)
i=i*2; ②
解： 語句1的頻度是1,
設語句2的頻度是f(n), 則：2^f(n)<=n;f(n)<=log2n
取最大值f(n)= log2n,
t(n)=o(log2n )
o(n^3)
（2）for(i=0;i
}解：當i=m, j=k的時候,內層迴圈的次數為k當i=m時, j 可以取 0,1,...,m-1 , 所以這裡最內迴圈共進行了0+1+...+m-1=(m-1)m/2次所以,i從0取到n, 則迴圈共進行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以時間複雜度為o(n^3).
我們還應該區分演算法的最壞情況的行為和期望行為。如快速排序的最 壞情況執行時間是 o(n^2)，但期望時間是 o(nlogn)。通過每次都仔細 地選擇基準值，我們有可能把平方情況 (即o(n^2)情況)的概率減小到幾乎等於 0。在實際中，精心實現的快速排序一般都能以 (o(nlogn)時間執行。
下面是一些常用的記法：
（1）訪問陣列中的元素是常數時間操作，或說o(1)操作。
（2）乙個演算法如 果能在每個步驟去掉一半資料元素，如二分檢索，通常它就取 o(logn)時間。
（3）用strcmp比較兩個具有n個字元的串需要o(n)時間 。
（4）常規的矩陣乘演算法是o(n^3)，因為算出每個元素都需要將n對 元素相乘並加到一起，所有元素的個數是n^2。
（5）指數時間演算法通常**於需要求出所有可能結果。例如，n個元 素的集合共有2n個子集,所以要求出所有子集的演算法將是o(2n)的 。指數演算法一般說來是太複雜了，除非n的值非常小，因為，在 這個問題中增加乙個元素就導致執行時間加倍。不幸的是，確實有許多問題 (如著名 的「巡迴售貨員問題」 )，到目前為止找到的演算法都是指數的。如果我們真的遇到這種情況， 通常應該用尋找近似最佳結果的演算法替代之。
（6）有如下複雜度關係經驗規則
c < log2n < n < n * log2n < n^2 < n^3 < 2^n < 3^n < n!
其中c是乙個常量，如果乙個演算法的複雜度為c 、 log2n 、n 、 n*log2n ,那麼這個演算法時間效率比較高 ，如果是 2^n , 3^n ,n!，那麼稍微大一些的n就會令這個演算法不能動了，居於中間的幾個則差強人意。
演算法時間複雜度空間複雜度
演算法 是解決某一類問題的通法，即一系列清晰無歧義的計算指令。每個演算法只能解決具有特定特徵的一類問題，但乙個問題可由多個演算法解決。乙個演算法應該有以下五個方面的特性 比較演算法的優劣我們從兩個維度去進行考量 時間 空間 時間複雜度，空間複雜度 找出基本語句 演算法中執行次數最多的那條語句就是基本...
演算法 時間複雜度 空間複雜度
1 if i 1 2 a 1 result 3 4 result n 2 result 1000 1000 3 array.push a array.pop 4 map.set 1,1 map.get 1,1 在計算複雜度的時候，o 1 一般會被忽略。1 for let i 0 i n i 2 wh...
演算法的時間複雜度 空間複雜度
時間複雜度和空間複雜度是度量演算法效率的常用指標 事後統計，不常用 事前統計影響因素 演算法策略 問題規模 程式語言 質量 機器執行指令的速度 撇開軟硬體的影響，演算法執行工作量的大小只依賴於問題的規模 通常用整數n表示 乙個演算法是由控制結構 順序，分支，迴圈三種 和原操作 指固有資料型別的操作 ...