1. 演算法複雜度分為 時間複雜度和空間複雜度。
作用： 時間複雜度是度量演算法執行的時間長短；而空間複雜度是度量演算法所需儲存空間的大小。
2. 一般情況下，演算法的基本操作重複執行的次數是模組n的某乙個函式f（n），因此，演算法的時間複雜度記做：t（n）=o（f（n））
分析：隨著模組n的增大，演算法執行的時間的增長率和f（n）的增長率成正比，所以f（n）越小，演算法的時間複雜度越低，演算法的效率越高。
3. 在計算時間複雜度的時候，先找出演算法的基本操作，然後根據相應的各語句確定它的執行次數，再找出t（n）的同數量級（它的同數量級有以下：1，log2n ，n ，nlog2n ，n的平方，n的三次方，2的n次方，n！），找出後，f（n）=該數量級，若t(n)/f(n)求極限可得到一常數c，則時間複雜度t（n）=o（f（n））
例：演算法：
for（i=1;i<=n;++i）
}則有 t（n）= n的平方+n的三次方，根據上面括號裡的同數量級，我們可以確定 n的三次方 為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
則該演算法的 時間複雜度：t（n）=o（n的三次方）
***演算法複雜度的計算
演算法複雜度是在《資料結構》這門課程的第一章裡出現的，因為它稍微涉及到一些數學問題，所以很多同學感覺很難，加上這個概念也不是那麼具體，更讓許多同學學起來無從下手，下面我們就這個問題給各位考生進行分析。
首先了解一下幾個概念。乙個是時間複雜度，乙個是漸近時間複雜度。前者是某個演算法的時間耗費，它是該演算法所求解問題規模n的函式，而後者是指當問題規模趨向無窮大時，該演算法時間複雜度的數量級。
當我們評價乙個演算法的時間效能時，主要標準就是演算法的漸近時間複雜度，因此，在演算法分析時，往往對兩者不予區分，經常是將漸近時間複雜度t(n)=o(f(n))簡稱為時間複雜度，其中的f(n)一般是演算法中頻度最大的語句頻度。
此外，演算法中語句的頻度不僅與問題規模有關，還與輸入例項中各元素的取值相關。但是我們總是考慮在最壞的情況下的時間複雜度。以保證演算法的執行時間不會比它更長。
常見的時間複雜度，按數量級遞增排列依次為：常數階o(1)、對數階o(log2n)、線性階o(n)、線性對數階o(nlog2n)、平方階o(n^2)、立方階o(n^3)、k次方階o(n^k)、指數階o(2^n)。
下面我們通過例子加以說明，讓大家碰到問題時知道如何去解決。
1、設三個函式f,g,h分別為 f(n)=100n^3+n^2+1000 , g(n)=25n^3+5000n^2 , h(n)=n^1.5+5000nlgn
請判斷下列關係是否成立：
（1） f(n)=o(g(n))
（2） g(n)=o(f(n))
（3） h(n)=o(n^1.5)
（4） h(n)=o(nlgn)
這裡我們複習一下漸近時間複雜度的表示法t(n)=o(f(n))，這裡的"o"是數學符號，它的嚴格定義是"若t(n)和f(n)是定義在正整數集合上的 兩個函式，則t(n)=o(f(n))表示存在正的常數c和n0 ,使得當n≥n0時都滿足0≤t(n)≤c?f(n)。"用容易理解的話說就是這兩個函式當整型自變數n趨向於無窮大時，兩者的比值是乙個不等於0的常 數。這麼一來，就好計算了吧。
（1）成立。題中由於兩個函式的最高次項都是n^3,因此當n→∞時，兩個函式的比值是乙個常數，所以這個關係式是成立的。
（2）成立。與上同理。
（3）成立。與上同理。
（4）不成立。由於當n→∞時n^1.5比nlgn遞增的快，所以h(n)與nlgn的比值不是常數，故不成立。
2、設n為正整數，利用大"o"記號，將下列程式段的執行時間表示為n的函式。
(1) i=1; k=0
while(i1
while (x>=(y+1)*(y+1))
y++;
解答：t(n)=n1/2 ，t(n)=o(n1/2)， 最壞的情況是y=0，那麼迴圈的次數是n1/2次，這是乙個按平方根階遞增的函式。
(3) x=91; y=100;
while(y>0)
if(x>100)
else x++;
解答： t(n)=o(1)， 這個程式看起來有點嚇人，總共迴圈執行了1000次，但是我們看到n沒有? 沒。這段程式的執行是和n無關的，就算它再迴圈一萬年，我們也不管他，只是乙個常數階的函式。
規則：有如下複雜度關係
c < log2n < n < n * log2n < n^2 < n^3 < 2^n < 3^n < n!
其中c是乙個常量，如果乙個演算法的複雜度為c 、 log2n 、n 、 n*log2n ,那麼這個演算法時間效率比較高 ，如果是 2^n , 3^n ,n!，那麼稍微大一些的n就會令這個演算法不能動了，居於中間的幾個則差強人意。
我們常需要描述特定演算法相對於 n(輸入元素的個數 )需要做的工作量。在一組未排序的資料中檢索，所需的時間與 n成正比；如果是對排序資料用二分檢索，花費的時間正比於logn。排序時間可能正比於n^2或者nlogn。
我們希望能夠比較演算法的執行時間和空間要求，並使這種比較能與程式語言、編譯系統、機器結構、處理器的速度及系統的負載等複雜因素無關。
為了這個目的，人們提出了一種標準的記法，稱為「大o記法」.在這種描述中使用的基本引數是 n，即問題例項的規模，把複雜性或執行時間表達為n的函式 。這裡的「o」表示量級 (order)，比如說「二分檢索是 o(logn)的」,也就是說它需要「通過logn量級的步驟去檢索乙個規模為n的陣列」記法o ( f(n) )表示當n增大時，執行時間至多將以正比於f(n)的速度增長。這種漸進估計對演算法的理論分析和大致比較是非常有價值的，但在實踐中細節也可能造成差異。例如，乙個低附加代價的o(n2)演算法在n較小的情況下可能比乙個高附加代價的o(nlogn)演算法執行得更快。當然，隨著n足夠大以後，具有較慢上公升函式的演算法必然工作得更快。
temp=i;i=j;j=temp; 以上三條單個語句的頻度均為1，該程式段的執行時間是乙個與問題規模n無關的常數。
演算法的時間複雜度為常數階，記作t(n)=o(1)。如果演算法的執行時 間不隨著問題規模n的增加而增長，即使演算法中有上千條語句，其執行時間也不過是乙個較大的常數。此類演算法的時間複雜度是o(1)。
例 2.1. 交換i和j的內容
1） sum=0； （一次）
2） for(i=1;i<=n;i++) （n次 ）
3） for(j=1;j<=n;j++) （n^2次 ）
4） sum++； （n^2次 ）
解：t(n)=2n^2+n+1 =o(n^2)
例 2.2.
for (i=1;i例 2.3.
a=0;b=1; ①
for (i=1;i<=n;i++) ②
...解：語句1的頻度：2, 語句2的頻度： n, 語句3的頻度： n-1, 語句4的頻度：n-1,
語句5的頻度：n-1, 則：t（n)=2+n+3(n-1)=4n-1=o(n).
例 2.4.
i=1; ①
while (i<=n)
i=i*2; ②
解：語句1的頻度是1, 設語句2的頻度是f(n), 則：2^f(n)<=n;f(n)<=log2n
取最大值f(n)= log2n,則該程式的時間複雜度t(n)=o(log2n )
例 2.5.
for(i=0;i下面是一些常用的記法：
訪問陣列中的元素是常數時間操作，或說o(1)操作。乙個演算法如果能在每個步驟去掉一半資料元素，如二分檢索，通常它就取o(logn)時間。用strcmp比較兩個具有n個字元的串需要o(n)時間 。常規的矩陣乘演算法是o(n^3)，因為算出每個元素都需要將n對元素相乘並加到一起，所有元素的個數是n^2。
指數時間演算法通常**於需要求出所有可能結果。例如，n個元 素的集合共有2n個子集,所以要求出所有子集的演算法將是o(2n)的。指數演算法一般說來是太複雜了，除非n的值非常小，因為，在這個問題中增加乙個元素就導致執行時間加倍。不幸的是，確實有許多問題 (如著名 的「巡迴售貨員問題」)，到目前為止找到的演算法都是指數的。如果我們真的遇到這種情況， 通常應該用尋找近似最佳結果的演算法替代之。
關於時間複雜度
關於時間複雜度 o 的定義 若f n 是正整數n的乙個函式，則o f n 表示 m 0 使得當n n0時，f n m f n0 表示時間複雜度的階有 o 1 常量時間階 o n 線性時間階 o n 對數時間階 o n n 線性對數時間階 o n k k 2，k次方時間階 例 兩個n階方陣的乘法 fo...
關於時間複雜度和空間複雜度
如何判別乙個演算法的好壞 首先，這個演算法必須是正確的 其次，好的演算法應具有幸福感，便於人們理解和交流，並且是機器可執行的。這個演算法還需要足夠健壯，即當輸入的資料非法或不合理時，也能適當的做出正確的反應或進行相應的處理 最後它還必須擁有高效率和低儲存量要求。也就是時間複雜度和空間複雜度佔的地方越...
關於時間複雜度和空間複雜度
空間複雜度 大o表示法是演算法的漸進時間複雜度，感覺是從數量級？的角度來描述演算法時間複雜度的增長趨勢？大o表達其實表示的不是精確的時間消耗，而是關注其屬於的量級。比如o n n 2 o n 2 而過分糾結o 2n o 3n 和o 2n 3n 是沒有意義的，因為其全可以表達為o n 看該演算法以怎樣...