算法时间复杂度求解法【详细过程说明】
算法的时间复杂度，是刚开始接触算法和数据结构时的概念，在真正使用的时候有时候常常忘记它的推导公式。最近准备校招，把二叉树、排序、查找等这些经典的算法复习了一遍，这次把这些都整理成博客以便以后查看，复习计划接近尾声，这两天老是不在状态，学习图的时候有点晕乎乎，今天反过头来把时间复杂度的求解法整理一下，还是颇有收获，以前很多地方自己存在着理解误差。希望对大家也有所帮助，有不对的地方还请多指教。
在进行算法分析时，语句总的执行次数T(n)是关于问题规模n的函数，进而分析T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度，也就是算法的时间量度，基座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，称作算法的渐进算法时间复杂度，简称为时间复杂度。其中f(n)是问题规模n的某个函数。
一般用大写O()来表示算法的时间复杂度写法，通常叫做大O记法。
一般情况下，随着n的增大，T(n)增长最慢的算法为最优算法。
O(1)：常数阶
O(n)：线性阶
O(n2)：平方阶
大O推导法：
用常数1取代运行时间中的所有加法常数
在修改后的运行函数中，只保留最高阶项
如果最高阶项存在且不是1，则去除与这个项相乘的常数
常数阶：
int sum = 0 ; n = 100; /*执行一次*/
sum = (1+n)*n/2; /*执行一次*/
printf("%d",sum); /*执行一次*/
这个算法的运行次数f(n) = 3,根据推导大O阶的方法，第一步是将3改为1，在保留最高阶项是，它没有最高阶项，因此这个算法的时间复杂度为O(1);
对于分支结构而言，无论真假执行的次数都是恒定不变的，不会随着n的变大而发生变化，所以单纯的分支结构（不在循环结构中），其时间复杂度也是O(1)。
线性阶：
线性阶的循环结构会复杂一些，要确定某个算法的阶次，需要确定特定语句或某个语句集运行的次数。因此要分析算法的复杂度，关键是要分析循环结构的运行情况。
int i;for(i =0; i < n ; i++){
/*时间复杂度为O(1)的程序*/
}
对数阶：
int count =1;
while(count < n){
count = count *2;
/*时间复杂度为O(1)的程序*/
}
因为每次count*2后，距离结束循环更近了。也就是说有多少个2 相乘后大于n，退出循环。
数学公式：2x = n --> x = log2n
因此这个循环的时间复杂度为O(logn)
平方阶:
int i;
for(i =0; i < n ; i++){
for(j =0; j < n ; j++){
/*时间复杂度为O(1)的程序*/
}
}
上面的程序中，对于对于内层循环，它的时间复杂度为O(n)，但是它是包含在外层循环中，再循环n次，因此这段代码的时间复杂度为O(n2)。
再来看一段程序：
int i;
for(i =0; i < n ; i++){
for(j = i ; j < n ; j++){
/*时间复杂度为O(1)的程序*/
}
}
注意：上面的内层循环j = i ;而不是0
因为i = 0时，内层循环执行了n次，当i=1时，执行了n-1次……当i=n-1时，执行了1次，所以总的执行次数为：
n+(n-1)+(n-1)+...+1 = n(n+1)/2= n2/2 + n/2
根据大O推导方法，保留最高阶项，n2/2，然后去掉这个项相乘的常数，1/2
因此，这段代码的时间复杂度为O(n2)
下面，分析调用函数时的时间复杂度计算方法：
首先，看一段代码：
int i,j;
void function(int count){
print(count);
}
for(i =0; i < n ; i++){
function (i)
}
函数的时间复杂度是O(1)，因此整体的时间复杂度为O(n)。
假如function是这样的：
void function(int count){
int j;
for(j = count ; j < n ;j++){
/*时间复杂度为O(1)的程序*/ }
}
和第一个的不同之处在于把嵌套内循环放到了函数中，因此最终的时间复杂度为O(n2)
常见的时间复杂度：
12 O(1) 常数阶
2n+3 O(n) 线性阶
3+2n+1 O(n2) 平方阶
5log+20 O(log2n) 对数阶
2n+3nlog+19 O(nlogn) nlog2n阶
6+2
+3n+4 O(n3) 立方阶
O(2n) 指数阶
网友评论