度量乙個程式(演算法)執行時間的兩種方法
1、事後統計的方法
這種方法可行, 但是有兩個問題：一是要想對設計的演算法的執行效能進行評測，需要實際執行該程式；二是所得時間的統計量依賴於計算機的硬體、軟體等環境因素, 這種方式，要在同一臺計算機的相同狀態下執行，才能比較那個演算法速度更快。
2、事前估算的方法
通過分析某個演算法的時間複雜度來判斷哪個演算法更優.
舉例說明–>忽略常數項
舉例說明–>忽略低次項
舉例說明–>忽略係數
時間複雜度
1）一般情況下，演算法中的基本操作語句的重複執行次數是問題規模n的某個函式，用t(n)表示，若有某個輔助函式f(n)，使得當n趨近於無窮大時，t(n) / f(n) 的極限值為不等於零的常數，則稱f(n)是t(n)的同數量級函式。記作 t(n)=ｏ( f(n) )，稱ｏ( f(n) ) 為演算法的漸進時間複雜度，簡稱時間複雜度。
2）t(n) 不同，但時間複雜度可能相同。 如：t(n)=n²+7n+6 與 t(n)=3n²+2n+2 它們的t(n) 不同，但時間複雜度相同，都為o(n²)。
3）計算時間複雜度的方法：
1.用常數1代替執行時間中的所有加法常數 t(n)=n²+7n+6 => t(n)=n²+7n+1
2.修改後的執行次數函式中，只保留最高端項 t(n)=n²+7n+1 => t(n) = n²
3.去除最高端項的係數 t(n) = n² => t(n) = n² => o(n²)
常見的演算法複雜度
1)常數階o(1)
2)對數階o(log2n)
3)線性階o(n)
4)線性對數階o(nlog2n)
5)平方階o(n^2)
6)立方階o(n^3)
7)k次方階o(n^k)
8)指數階o(2^n)
常見的演算法時間複雜度由小到大依次為：ο(1)＜ο(log2n)＜ο(n)＜ο(nlog2n)＜ο(n2)＜ο(n3)＜ ο(nk) ＜ο(2n) ，隨著問題規模n的不斷增大，上述時間複雜度不斷增大，演算法的執行效率越低對數階o(log2n)從圖中可見，我們應該盡可能避免使用指數階的演算法
線性對數階o(nlogn)
資料結構與演算法之時間複雜度
一般情況下，演算法中的基本操作語句的重複執行次數是問題規模n的某個函式，用t n 表示，若有某個輔助函式f n 使得當n趨近於無窮大時，t n f n 的極限值為不等於零的常數，則稱f n 是t n 的同數量級函式。記作 t n f n 稱 f n 為演算法的漸進時間複雜度，簡稱時間複雜度。t n ...
資料結構和演算法之時間複雜度
2.空間複雜度 學習資料結構和演算法，並不是為了死記硬背幾個知識點。我們的目的是建立時間複雜度 空間複雜度意識，寫出高質量的 能夠設計基礎架構，提公升程式設計技能，訓練邏輯思維，積攢人生經驗，以此獲得工作回報，實現你的價值，完善你的人生。掌握了資料結構與演算法，你看待問題的深度，解決問題的角度就會完...
大話資料結構 之時間複雜度
程式猿可以讓步，卻不可以退縮，可以羞澀，卻不可以軟弱，總之，程式設計師必須是勇敢的。時間複雜度序言 當前兩天我寫完 大話資料結構 的序言的時候,我就在想,我該如何把從大話資料結構中對應用開發人員有用的知識提煉出來?我是該如同課本一樣把所有的知識羅列個遍?還是如何如何,我想如果我把所有的東西都羅列出來...