概况
算法的复杂度分为算法时间复杂度和算法空间复杂度。
时间复杂度是总运算次数表达式中受n的变化影响最大的那一项(不含系数)。
(1)时间频度 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)。
(2)时间复杂度 在刚才提到的时间频度中,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概念。 一般情况下,算法中基本操作重复执行的次数是问题规模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。
时间复杂度
按数量级递增排列,常见的时间复杂度有:常数阶O(1),对数阶O($\log_2n$),线性阶O(n), 线性对数阶O($n\log_2n$),平方阶O($n^2$),立方阶O($n^3$),…, k次方阶O($n^k$),指数阶O($2^n$)。随着问题规模n的不断增大,上述时间复杂度不断增大,算法的执行效率越低。
从图中可见,我们应该尽可能选用多项式阶O(nk)的算法,而不希望用指数阶的算法。
常见的算法时间复杂度由小到大依次为:Ο(1)<Ο($\log_2n$)<Ο(n)<Ο($n\log_2n$)<Ο($n^2$)<Ο($n^3$)<…<Ο($2^n$)<Ο(n!)
常见算法时间复杂度举例:
- 常数阶O(1)123Temp=i;i=j;j=temp;
以上三条单个语句的频度均为1,该程序段的执行时间是一个与问题规模n无关的常数。算法的时间复杂度为常数阶,记作T(n)=O(1)。如果算法的执行时间不随着问题规模n的增加而增长,即使算法中有上千条语句,其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)。
- 对数阶O($\log_2n$)123i=1; //1while (i<=n)i=i*2; //2
解: 语句1的频度是1,
设语句2的频度是f(n), 则:2^f(n)<=n;f(n)<=log2n
取最大值f(n)=log2n,T(n)=O(log2n )
- 线性阶O(n)12345678a=0;b=1; //1for(i=1;i<=n;i++) //2{s=a+b; //3b=a; //4a=s; //5}
解:语句1的频度:2,
语句2的频度:n,
语句3的频度: n-1,
语句4的频度:n-1,
语句5的频度:n-1,
T(n)=2+n+3(n-1)=4n-1=O(n).
线性对数阶O($n\log_2n$)
平方阶O($n^2$)
1234sum=0; //1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)
- 立方阶O($n^3$)12345678for(i=0;i<n;i++){for(j=0;j<i;j++){for(k=0;k<j;k++)x=x+2;}}
解:当i=m,j=k的时候,内层循环的次数为k当i=m时, j 可以取 0,1,…,m-1 , 所以这里最内循环共进行了0+1+…+m-1=(m-1)m/2次所以,i从0取到n, 则循环共进行了:0+(1-1)*1/2+…+(n-1)n/2=n(n+1)(n-1)/6所以时间复杂度为O(n^3).
k次方阶O($n^k$)
指数阶O($2^n$)
经验规则
有如下复杂度关系
c < $\log_2n$ < n < n * $\log_2n$ < $n^2$ < $n^3$ < $2^n$ < $3^n$ < n!
其中c是一个常量,如果一个算法的复杂度为c 、 $\log_2n$ 、n 、 n*$\log_2n$ ,那么这个算法时间效率比较高 ,如果是 $2^n$ , $3^n$ ,n!,那么稍微大一些的n就会令这个算法不能动了,居于中间的几个则差强人意。
参考:
http://blog.csdn.net/firefly_2002/article/details/8008987
http://blog.csdn.net/zolalad/article/details/11848739