這次呢,大鵬哥跟大家來談談算法的時間複雜度這個東西,通常說到時間複雜度還會想到它的雙胞胎兄弟-空間複雜度,下面就先來看一下這兩個度的區別:
時間複雜度就是度量算法執行的時間長短;空間複雜度就是度量算法所需存儲空間的大小。
通常情況下,算法的基本操作重複執行的次數是一個關於n的函數f(n),因此呢算法的時間複雜度記作:T(n)=O(f(n))
分析:隨着n的增大,算法執行的時間的增長率跟f(n)的增長率成正比,所以f(n)越小,算法的時間複雜度越小,算法的效率越高。
在計算時間複雜度的時候先找出算法的基本操作,然後根據相應的語句確定其操作次數,再找出T(n)的同數量級(1,Log2n,n,nLog2n,n^2,n^3,2^n,n!)。找出後,f(n)=該數量級,若T(n)/f(n)求極限爲一個常數c,則時間複雜度T(n)=O(f(n))
eg1.
for(i=1;i<=n;++i)
{
for(j=1;j<=n;++j)
{
c[ i ][ j ]=0; //該步驟屬於基本操作執行次數:n的平方次
for(k=1;k<=n;++k)
c[ i ][ j ]+=a[ i ][ k ]*b[ k ][ j ]; //該步驟屬於基本操作 執行次數:n的三次方 次
}
}
則有 T(n)= n的平方+n的三次方,根據上面括號裏的同數量級,我們可以確定 n的三次方爲T(n)的同數量級
則有f(n)= n的三次方,然後根據T(n)/f(n)求極限可得到常數c
則該算法的 時間複雜度:T(n)=O(n的三次方)。
eg2.
sum=0; (一次基本操作)
for(i=1;i<=n;i++) (n次基本操作)
for(j=1;j<=n;j++) (n^2次基本操作)
sum++; (n^2次基本操作)
所以T(n)=2n^2+n+1=O(n^2)