時間複雜度

一、概念

時間複雜度是總運算次數表示式中受n的變化影響最大的那一項(不含係數)

比如：一般總運算次數表示式類似於這樣：
a*2^n+b*n^3+c*n^2+d*n*lg(n)+e*n+f
a ！ =0時，時間複雜度就是o(2^n);
a=0,b<>0 =>o(n^3);
a,b=0,c<>0 =>o(n^2)依此類推

eg:

(1)   for(i=1;i<=n;i++)   //迴圈了n*n次，當然是o(n^2)

for(j=1;j<=n;j++)
s++;
(2) for(i=1;i<=n;i++)//迴圈了(n+n-1+n-2+...+1)≈(n^2)/2，因為時間複雜度是不考慮係數的，所以也是o(n^2)
for(j=i;j<=n;j++)
s++;
(3) for(i=1;i<=n;i++)//迴圈了(1+2+3+...+n)≈(n^2)/2,當然也是o(n^2)
for(j=1;j<=i;j++)
s++;
(4) i=1;k=0;

while(i<=n-1)

//迴圈了

n-1≈n次，所以是o(n)

for(k=1;k<=j;k++)

x=x+1;

//

另外，在時間複雜度中，log(2,n)(以2為底)與lg(n)(以10為底)是等價的，因為對數換底公式：

log(a,b)=log(c,b)/log(c,a)

所以，log(2,n)=log(2,10)*lg(n),忽略掉係數，二者當然是等價的

二、計算方法1.乙個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時間多，哪個演算法花費的時間少就可以了。並且乙個演算法花費的時間與演算法中語句的執行次數成正比例，哪個演算法中語句執行次數多，它花費時間就多。

乙個演算法中的語句執行次數稱為語句頻度或時間頻度。記為t(n)。

2.一般情況下，演算法的基本操作重複執行的次數是模組n的某乙個函式f（n），因此，演算法的時間複雜度記做：t（n）=o（f（n））。隨著模組n的增大，演算法執行的時間的增長率和f（n）的增長率成正比，所以f（n）越小，演算法的時間複雜度越低，演算法的效率越高。

在計算時間複雜度的時候，先找出演算法的基本操作，然後根據相應的各語句確定它的執行次數，再找出t（n）的同數量級（它的同數量級有以下：1，log2n ，n ，nlog2n ，n的平方，n的三次方，2的n次方，n！），找出後，f（n）=該數量級，若t(n)/f(n)求極限可得到一常數c，則時間複雜度t（n）=o（f（n））。

按數量級遞增排列，常見的時間複雜度有：

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) 。

其中，1.o(n)，o(n^2)， 立方階o(n^3),...， k次方階o(n^k) 為多項式階時間複雜度，分別稱為一階時間複雜度，二階時間複雜度。。。。

2.o(2^n)，指數階時間複雜度，該種不實用

3.對數階o(log2n),   線性對數階o(nlog2n)，除了常數階以外，該種效率最高

例：演算法：

for（i=1;i<=n;++i）
}則有 t（n）= n^2+n^3，根據上面括號裡的同數量級，我們可以確定 n^3為t（n）的同數量級
則有f（n）= n^3，然後根據t（n）/f（n）求極限可得到常數c
則該演算法的 時間複雜度：t（n）=o（n^3)

定義：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「時間複雜性」。

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「漸近時間複雜性」。

我們常用大o表示法表示時間複雜性，注意它是某乙個演算法的時間複雜性。大o表示只是說有上界，由定義如果f(n)=o(n)，那顯然成立f(n)=o(n^2)，它給你乙個上界，但並不是上確界，但人們在表示的時候一般都習慣表示前者。

此外，乙個問題本身也有它的複雜性，如果某個演算法的複雜性到達了這個問題複雜性的下界，那就稱這樣的演算法是最佳演算法。

「大o記法」：在這種描述中使用的基本引數是

n，即問題例項的規模，把複雜性或執行時間表達為n的函式。這裡的「o」表示量級 (order)，比如說「二分檢索是 o(logn)的」,也就是說它需要「通過logn量級的步驟去檢索乙個規模為n的陣列」記法 o ( f(n) )表示當 n增大時，執行時間至多將以正比於 f(n)的速度增長。

這種漸進估計對演算法的理論分析和大致比較是非常有價值的，但在實踐中細節也可能造成差異。例如，乙個低附加代價的o(n2)演算法在n較小的情況下可能比乙個高附加代價的 o(nlogn)演算法執行得更快。當然，隨著n足夠大以後，具有較慢上公升函式的演算法必然工作得更快。

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)。

o(n^2)

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)

2.2.   

for (i=1;io(n)      

2.3.

a=0;

b=1;                      ①

for (i=1;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).

o(log2n

)2.4.

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)

2.5.

for(i=0;i

dfs時間複雜度 時間複雜度 空間複雜度

時間複雜度的數學證明方法相對比較複雜，通常在工程實際中，會分析就好。注意 只看最高複雜度的運算 int for for for for int遞迴如何分析時間複雜度？常數係數可以忽略，在分析時不用考慮，只要說以上術語即可。主定理 master throrem 上述第四種是歸併排序，所有排序演算法，最...

時間複雜度 空間複雜度

時間複雜度 在電腦科學中，演算法的時間複雜度是乙個函式，它定性描述了該演算法的執行時間。這是乙個關於代表演算法輸入值的字串 的長度的函式。時間複雜度常用大o符號 表述，不包括這個函式的低階項和首項係數。計算時間複雜度的方法 1 只保留高階項，低階項直接丟棄 2 係數不要 3 執行次數是常數是為o 1...

時間複雜度 空間複雜度

演算法複雜度分為時間複雜度和空間複雜度。其作用 時間複雜度是指執行演算法所需要的計算工作量 而空間複雜度是指執行這個演算法所需要的記憶體空間。一 時間複雜度 時間頻度 乙個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道...