時間複雜度計算

時間複雜度是總運算次數表示式中受n的變化影響最大的那一項(不含係數)

比如：一般總運算次數表示式類似於這樣：

a*2^n+b*n^3+c*n^2+d*n*lg(n)+e*n+f

a ！ =0時，時間複雜度就是o(2^n);

a=0,b<>0 =>o(n^3);

a,b=0,c<>0 =>o(n^2)依此類推

eg:

(1) for(i=1;i<=n;i++) //迴圈了n*n次，當然是o(n^2)

for(j=1;j<=n;j++)

s++;

(2) for(i=1;i<=n;i++)//迴圈了(n+n-1+n-2+…+1)≈(n^2)/2，因為時間複雜度是不考慮係數的，所以也是o(n^2)

for(j=i;j<=n;j++)

s++;

(3) for(i=1;i<=n;i++)//迴圈了(1+2+3+…+n)≈(n^2)/2,當然也是o(n^2)

for(j=1;j<=i;j++)

s++;

(4) i=1;k=0;

while(i<=n-1)

//迴圈了

n-1≈n次，所以是o(n)

(5) for(i=1;i<=n;i++)

for(j=1;j<=i;j++)

for(k=1;k<=j;k++)

x=x+1;

// 迴圈了(1^2+2^2+3^2+…+n^2)=n(n+1)(2n+1)/6(這個公式要記住哦)≈(n^3)/3，不考慮係數，自然是o(n^3)

另外，在時間複雜度中，log(2,n)(以2為底)與lg(n)(以10為底)是等價的，因為對數換底公式：

log(a,b)=log(c,b)/log(c,a)

所以，log(2,n)=log(2,10)*lg(n),忽略掉係數，二者當然是等價的

1.乙個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機執行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時間多，哪個演算法花費的時間少就可以了。並且乙個演算法花費的時間與演算法中語句的執行次數成正比例，哪個演算法中語句執行次數多，它花費時間就多。

乙個演算法中的語句執行次數稱為語句頻度或時間頻度。記為t(n)。

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））。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。

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））。

3.常見的時間複雜度

按數量級遞增排列，常見的時間複雜度有：

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) 。

其中，

1.o(n)，o(n^2)，立方階o(n^3),…， k次方階o(n^k) 為多項式階時間複雜度，分別稱為一階時間複雜度，二階時間複雜度。。。。

2.o(2^n)，指數階時間複雜度，該種不實用

3.對數階o(log2n), 線性對數階o(nlog2n)，除了常數階以外，該種效率最高

例：演算法：

for（i=1;i<=n;++i） }

則有 t（n）= n^2+n^3，根據上面括號裡的同數量級，我們可以確定 n^3為t（n）的同數量級

則有f（n）= n^3，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^3)

四、定義：如果乙個問題的規模是n，解這一問題的某一演算法所需要的時間為t(n)，它是n的某一函式

t(n)稱為這一演算法的「時間複雜性」。

當輸入量n逐漸加大時，時間複雜性的極限情形稱為演算法的「漸近時間複雜性」。

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;i

時間複雜度計算

時間複雜度計算

時間複雜度計算

計算時間複雜度

相關推薦