详解算法的各类复杂度的差异有多大（带图）

作算法分析的时候常常用到各类时间复杂度如O(n), O(logn), O(nlogn), O(n^2), ... 它们之间到底有多大的差异呢？下面这张图是一个直观的表达：

可见，各个经常使用的时间复杂度之间都存在着巨大的差别。从O(nlogn)到O(n)，从O(n)到O(logn)，都是性能上的巨大飞跃。

从另外一个角度而言，大于O(n^2)或O(n^3)时间复杂度的程序实际上都是不可用的。根据维基百科，如今最强的CPU每秒大概可执行428亿条指令(4*10^10)，而对于一个O(2^n)的程序，当n=100时，就算有2^100条指令，即2^100 = 1.26765 * 10 ³⁰条指令。这样的CPU大概要算1万亿年(10^12)。

 

算法的运行时间一般与下列函数成比例：

1	大部分程序的大部分指令之执行一次，或者最多几回。若是一个程序的全部指令都具备这样的性质，咱们说这个程序的执行时间是常数。
log log N	能够看做是一个常数：即便N不少，两次去对数以后也会变得很小
logN	若是一个程序的运行时间是对数级的，则随着N的增大程序会渐渐慢下来，若是一个程序将一个大的问题分解成一系列更小的问题，每一步都将问题的规模缩减成几分之一，通常就会出现这样的运行时间函数。在咱们所关心的范围内，能够认为运行时间小于一个大的常数。对数的基数会影响这个常数，但改变不会太大：当N=1000时，若是基数是10，logN等于3；若是基数是2，logN约等于10.当N=1 00 000，logN只是前值的两倍。当N时原来的两倍，logN只增加了一个常数因子：仅当从N增加到N平方时，logN才会增加到原来的两倍。
N	若是程序的运行时间的线性的，极可能是这样的状况：对每一个输入的元素都作了少许的处理。当N=1 000 000时，运行时间大概也就是这个数值；当N增加到原来的两倍时，运行时间大概也增加到原来的两倍。若是一个算法必须处理N个输入（或者产生N个输出），那么这种状况是最优的。
NlogN	若是某个算法将问题分解成更小的子问题，独立地解决各个子问题，最后将结果综合起来，运行时间通常就是NlogN。咱们找不到一个更好的形容，就暂且将这样的算法运行时间叫作NlogN。当N=1 000 000时，NlogN大约是20 000 000。当N增加到原来的两倍，运行时间超过原来的两倍，但超过不是太多。
N平方	若是一个算法的运行时间是二次的（quadratic），那么它通常只能用于一些规模较小的问题。这样的运行时间一般存在于须要处理每一对输入数据项的算法（在程序中极可能表现为一个嵌套循环）中，当N=1000时，运行时间是1 000 000；若是N增加到原来的两倍，则运行时间将增加到原来的四倍。
N三次方	相似的，若是一个算法须要处理输入数据想的三元组（极可能表现为三重嵌套循环），其运行时间通常就是三次的，只能用于一些规模较小的问题。当N=100时，运行时间就是1 000 000；若是N增加到原来的两倍，运行时间将会增加到原来的八倍。
2的N次方	若是一个算法的运行时间是指数级的（exponential），通常它很难在实践中使用，即便这样的算法一般是对问题的直接求解。当N=20时，运行时间是1 000 000；若是增加到原来的两倍时，运行时间将是原时间的平方！