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」。
計算方法：
1. 找到執行次數最多的語句
2. 計算語句執行次數的數量級
3. 用大o來表示結果，與常數項無關，與最大時間n的次數相關
o(1)
交換i和j的內容
temp=i;
i=j;
j=temp;
以上三條單個語句的頻度為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(n2)
sum=0； /* 執行次數1 */
for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
sum++； /* 執行次數n2 */
解：t(n) = 1 + n2 = o(n2)
for (i=1;i
例子：o(n)
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,
語句4的頻度：n,
語句5的頻度：n,
t(n) = 2+4n
f(n) = n
lim(t(n)/f(n)) = 2*(1/n) + 4 = 4
t(n) = o(n).
o(log2n)
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t, 則：nt<=n; t<=log2n
考慮最壞情況，取最大值t=log2n,
t(n) = 1 + log2n
f(n) = log2n
lim(t(n)/f(n)) = 1/log2n + 1 = 1
t(n) = o(log2n)
o(n3)
for(i=0;i注：1^2+2^2+...+n^2=n(n+1)(2n+1)/6
t(n) = n(n+1)(n-1)/2 = (n3-n)/2
f(n) = n3
所以時間複雜度為o(n3)。
更快的乙個辦法：（判斷用）
第一層迴圈n次，第二次(i=n-1)最差迴圈n-1（<=n)次（i=n-1），第三層(j=n-2)最差迴圈n-2(<=n)次
所以最差的時間複雜度數量級為n^3
最後總是把最大的，成長最快的時間複雜度作為代表時間複雜度的最終結果。
例如 理論計算複雜度應該為o（n^3+n^2+n^1）最後結果為o(n^3).
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...
時間複雜度 空間複雜度
時間複雜度 在電腦科學中，演算法的時間複雜度是乙個函式，它定性描述了該演算法的執行時間。這是乙個關於代表演算法輸入值的字串 的長度的函式。時間複雜度常用大o符號 表述，不包括這個函式的低階項和首項係數。計算時間複雜度的方法 1 只保留高階項，低階項直接丟棄 2 係數不要 3 執行次數是常數是為o 1...
時間複雜度 空間複雜度
演算法複雜度分為時間複雜度和空間複雜度。其作用 時間複雜度是指執行演算法所需要的計算工作量 而空間複雜度是指執行這個演算法所需要的記憶體空間。一 時間複雜度 時間頻度 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...