通常状况下,算法的基本操做重复执行的次数是模块n的某一个函数f(n)。java
所以,算法的时间复杂度记作:T(n)=O(f(n))。算法
当咱们评价一个算法的时间性能时,主要标准就是算法的渐近时间复杂度T(n),所以,在算法分析时,每每对二者不予区分,常常是将渐近时间复杂度T(n)=O(f(n))简称为时间复杂度,其中的f(n)通常是算法中频度最大的语句频度。此外,算法中语句的频度不只与问题规模有关,还与输入实例中各元素的取值相关。可是咱们老是考虑在最坏的状况下的时间复杂度。以保证算法的运行时间不会比它更长。数组
在计算时间复杂度的时候,先找出算法的基本操做,而后根据相应的各语句肯定它的执行次数,再找出T(n)的同数量级(它的同数量级有如下:1,Log2n ,n ,nLog2n ,n的平方,n的三次方,2的n次方,n!),找出后,f(n)=该数量级,若T(n)/f(n)求极限可获得一常数c,则时间复杂度 T(n)=O(f(n))。常见的时间复杂度,按数量级递增排列依次为:常数阶O(1){Hash表的查找}、对数阶O(log2n){二分查找}、线性阶O(n)、线性对数阶 O(nlog2n){快速排序的平均复杂度}、平方阶O(n^2){冒泡排序}、立方阶O(n^3){求最短路径的Floyd算法}、k次方阶 O(n^k)、指数阶O(2^n){汉诺塔}。函数
规则:有以下复杂度关系:c < log2N < n < n * Log2N < n^2 < n^3 < 2^n < 3^n < n!性能
其中c是一个常量,若是一个算法的复杂度为c 、 log2N 、n 、 n*log2N ,那么这个算法时间效率比较高 ,若是是 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。spa
咱们常须要描述特定算法相对于 n(输入元素的个数 )须要作的工做量。在一组未排序的数据中检索,所需的时间与 n成正比;若是是对排序数据用二分检索,花费的时间正比于logn。排序时间可能正比于n^2或者nlogn。设计
咱们但愿可以比较算法的运行时间和空间要求,并使这种比较能与程序设计语言、编译系统、机器结构、处理器的速度及系统的负载等复杂因素无关。code
为了这个目的,人们提出了一种标准的记法,称为“大O记法”.在这种描述中使用的基本参数是 n,即问题实例的规模,把复杂性或运行时间表达为n的函数 。这里的“O”表示量级 (order),好比说“二分检索是 O(logn)的”,也就是说它须要“经过logn量级的步骤去检索一个规模为n的数组”记法O ( f(n) )表示当n增大时,运行时间至多将以正比于f(n)的速度增加。这种渐进估计对算法的理论分析和大体比较是很是有价值的,但在实践中细节也可能形成差别。 例如,一个低附加代价的O(n2)算法在n较小的状况下可能比一个高附加代价的O(nlogn)算法运行得更快。固然,随着n足够大之后,具备较慢上升函 数的算法必然工做得更快。排序
Temp=i;i=j;j=temp;数学
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,记做T(n)=O(1)。若是算法的执行时 间不随着问题规模n的增长而增加,即便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)。
一、设三个函数f,g,h分别为 f(n)=100n^3+n^2+1000 , g(n)=25n^3+5000n^2 , h(n)=n^1.5+5000nlgn
请判断下列关系是否成立:
(1) f(n)=O(g(n))
(2) g(n)=O(f(n))
(3) h(n)=O(n^1.5)
(4) h(n)=O(nlgn)
这 里咱们复习一下渐近时间复杂度的表示法T(n)=O(f(n)),这里的"O"是数学符号,它的严格定义是"若T(n)和f(n)是定义在正整数集合上的 两个函数,则T(n)=O(f(n))表示存在正的常数C和n0 ,使得当n≥n0时都知足0≤T(n)≤C?f(n)。"用容易理解的话说就是这两个函数当整型自变量n趋向于无穷大时,二者的比值是一个不等于0的常 数。这么一来,就好计算了吧。
(1)成立。题中因为两个函数的最高次项都是n^3,所以当n→∞时,两个函数的比值是一个常数,因此这个关系式是成立的。
(2)成立。与上同理。
(3)成立。与上同理。
(4)不成立。因为当n→∞时n^1.5比nlgn递增的快,因此h(n)与nlgn的比值不是常数,故不成立。
二、设n为正整数,利用大"O"记号,将下列程序段的执行时间表示为n的函数。
i=1; k=0 while(i<n){ k=k+10*i; i++; }
解答:T(n)=n-1, T(n)=O(n), 这个函数是按线性阶递增的。
三、将下列程序段的执行时间表示为n的函数。
x=n; // n>1 while (x>=(y+1)*(y+1)){ y++; }
解答:T(n)=n1/2 ,T(n)=O(n1/2), 最坏的状况是y=0,那么循环的次数是n1/2次,这是一个按平方根阶递增的函数。
四、将下列程序段的执行时间表示为n的函数。
x=91; y=100; while(y>0){ if(x>100){ x=x-10; y--; }else { x++; } }
解答: T(n)=O(1), 这个程序看起来有点吓人,总共循环运行了1000次,可是咱们看到n没有? 没。这段程序的运行是和n无关的,就算它再循环一万年,咱们也无论他,只是一个常数阶的函数。
五、交换i和j的内容
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)
六、另外一种循环
for (i=1;i<n;i++){ y=y+1; //语句1 for (j=0;j<=(2*n);j++){ x++; //语句2 } }
解:语句1的频度是n-1, 语句2的频度是(n-1)*(2n+1)=2n^2-n-1 。 f(n)=2n^2-n-1+(n-1)=2n^2-2,该程序的时间复杂度T(n)=O(n^2).
七、继续循环
a=0;b=1; //语句一 for (i=1;i<=n;i++) //语句二 { s=a+b; //语句三 b=a; //语句四 a=s; //语句五 }
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:n1, 则:T(n)=2+n+3(n-1)=4n-1=O(n).
八、继续循环
i=1; while (i<=n){ i=i*2; //语句二 }
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,
则该程序的时间复杂度T(n)=O(log2n )
九、继续循环
for(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 能够取 0,1,...,m-1 , 因此这里最内循环共进行了0+1+...+m-1=(m-1)m/2次。因此,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。因此时间复杂度为O(n^3).
下面是一些经常使用的记法:
访问数组中的元素是常数时间操做,或说O(1)操做。
一个算法若是能在每一个步骤去掉一半数据元素,如二分检索,一般它就取O(logn)时间。
一层循环次数于n相关或者间接与n相关的话那么为O(n),两层就为O(n^2),,两层就为O(n^3),例题中有不少
常规的矩阵乘算法是O(n^3),由于算出每一个元素都须要将n对元素相乘并加到一块儿,全部元素的个数是n^2。
咱们还应该区分算法的最坏状况的行为和期 望行为。如快速排序的最坏状况运行时间是O(n^2),但指望时间是O(nlogn)。经过每次都仔细地选择基准值,咱们有可能把平方状况 (即O(n^2)状况)的几率减少到几乎等于0。在实际中,精心实现的快速排序通常都能以(O(nlogn)时间运行。
指数时间算法一般来源于须要求出全部可能结果。例如,n个元 素的集合共有2n个子集,因此要求出全部子集的算法将是O(2n)的。指数算法通常说来是太复杂了,除非n的值很是小,由于,在这个问题中增长一个元素就 致使运行时间加倍。不幸的是,确实有许多问题 (如著名 的“巡回售货员问题”),到目前为止找到的算法都是指数的。若是咱们真的遇到这种状况, 一般应该用寻找近似最佳结果的算法替代之。