（一）演算法時間複雜度定義:
在進行演算法分析時，語句總的執行次數t(n)是關於問題規模n的函式，進而分析t(n)隨n的變化情況並確定t(n)的數量級。演算法的時間複雜度，也就是演算法的時間量度，記作：t(n)=o(f(n))。它表示隨問題規模n的增大，演算法執行時間的增長率和f(n)的增長率相同，稱作演算法的漸進時間複雜度，簡稱時間複雜度。其中f(n)是問題規模n的某個函式。
（二）分析乙個演算法的時間複雜度（推導大o階）：
1.用常數1取代執行時間中的所有加法常數。
2.在修改後的執行次數函式中，只保留最高端項。
3.如果最高端項存在且不是1，則去除與這個項相乘的常數。
得到的結果就是大o階。
(1)常數階，大o階記作o（1）。
1這個演算法執行次數函式是f(n)=3，該函式無最高端項，所以記作o(1)，而不是o(3)。int sum=0,n=100; //
執行一次
2 sum=(1+n)*n/2
//執行一次
3 printf("
%d",sum); //
執行一次
(2)線性階，分析迴圈結構的運**況。
(3)對數階
1由於每次count乘以2之後，就距離n更近了一分。也就是說，有多少個2相乘後大於n，則會退出迴圈。由2的n次方等於n，得到x=log2 n。所以這個迴圈時間複雜度o(logn)。int count=1;2
while (count
3
(4)平方階
1由於當i=0時，內迴圈執行了n次，當i=1時，執行了n-1次，……當i=n-1次，執行了1次。所以總的執行次數為：inti,j;
2for(i=0;i)
3
n+(n-1)+(n-2)+……+1=(n^2)/2+n/2
根據推導大o階的方法，第一條，沒有加法常數不予考慮。第二條，只保留最高項，因此保留(n^2)/2;第三條去除這個項相乘的常數，即1/2，最終這段**的時間複雜度為o(n^2)。
我們常用大o表示法表示時間複雜性，注意它是某乙個演算法的時間複雜性。大o表示只是說有上界，由定義如果f(n)=o(n)，那顯然成立f(n)=o(n^2)，它給你乙個上界，但並不是上確界，但人們在表示的時候一般都習慣表示前者。
此外，乙個問題本身也有它的複雜性，如果某個演算法的複雜性到達了這個問題複雜性的下界，那就稱這樣的演算法是最佳演算法。
「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。
o(1)
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)。
o(n^2)
2.1. 交換i和j的內容
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)
2.2.
for (i=1;io(n)
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,
t(n)=2+n+3(n-1)=4n-1=o(n).
o(log2n )
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,
t(n)=o(log2n )
o(n^3)
2.5.
for(i=0;i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。
時間複雜度O f n
1 n是演算法的輸入規模，例如有100w的資料需要排序，那麼輸入規模n就是100w 2 輸入規模n對 複雜度的影響，主要體現在迴圈上 for i 1 i n i 2 當 2 2 2 2 n 假設x個2相乘時結束 即2 x n 結束，執行次數x log2 n 再算上執行兩次sys.out，則為 2 l...
演算法複雜度 時間與空間複雜度 O f n
資料結構和演算法本質上是 快 和 省 所以 的執行效率是非常重要的度量 我們採用時間複雜度和空間複雜度來計算 大o複雜度表示法 int sum int n return s t n 1001 1 100n 100n 1 200n 3我們假設執行一行 的時間為t，通過估算，的執行時間t n 與執行次數...
dfs時間複雜度 時間複雜度 空間複雜度
時間複雜度的數學證明方法相對比較複雜，通常在工程實際中，會分析就好。注意 只看最高複雜度的運算 int for for for for int遞迴如何分析時間複雜度？常數係數可以忽略，在分析時不用考慮，只要說以上術語即可。主定理 master throrem 上述第四種是歸併排序，所有排序演算法，最...