前言

部分内容摘自程杰的《大话数据结构》

1. 算法时间复杂度

1.1 算法时间复杂度的定义

在进行算法分析时，语句总的执行次数T(n)是关于问题规模n的函数，进而分析T(n)随n的变化情况并确定T(n)的数量级。算法的时间复杂度，也就是算法的时间量度，记作：T(n)= O(f(n))。它表示随问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，称作算法的渐近时间复杂度，简称为时间复杂度。其中f(n)是问题规模n的某个函数。

这样用大写O()来体现算法时间复杂度的记法，我们称之为大О记法。
一般情况下，随着n的增大，T(n)增长最慢的算法为最优算法。

1.2 推导大O阶方法

那么如何分析一个算法的时间复杂度呢？即如何推导大O阶呢？我们给出了下面的推导方法，基本上，这也就是总结前面我们举的例子。
推导大O阶：

用常数 1 取代运行时间中的所有加法常数。
在修改后的运行次数函数中，只保留最高阶项。
如果最高阶项存在且不是 1，则去除与这个项相乘的常数。

得到的结果就是大O阶。

事实上，分析一个算法的时间复杂度，没有这么简单，我们还需要多看几个例子。

1.3 常数阶

首先顺序结构的时间复杂度。下面这个算法，为什么时间复杂度不是O(3)，而是O(1)。

int sum = 0,n = 100;   /* 执行1次 */
sum = (1 + n) * n / 2;    /* 执行1次 */
printf ("%d", sum);       /* 执行1次 */

这个算法的运行次数函数是f(n)=3。根据我们推导大О阶的方法，第一步就是把常数项3改为1。在保留最高阶项时发现，它根本没有最高阶项，所以这个算法的时间复杂度为O(1)。
另外，我们试想一下，如果这个算法当中的语句sum=(1+n)*n/2有 10 句，即：

int sum = 0, n = 100;  /* 执行1次 */
sum = (1 + n) * n / 2;    /* 执行1次 */
sum = (1 + n) * n / 2;    /* 执行2次 */
sum = (1 + n) * n / 2;    /* 执行3次 */
sum = (1 + n) * n / 2;    /* 执行4次 */
sum = (1 + n) * n / 2;    /* 执行5次 */
sum = (1 + n) * n / 2;    /* 执行6次 */
sum = (1 + n) * n / 2;    /* 执行7次 */
sum = (1 + n) * n / 2;    /* 执行8次 */
sum = (1 + n) * n / 2;    /* 执行9次 */
sum = (1 + n) * n / 2;    /* 执行10次 */
printf ("%d", sum);       /* 执行1次 */

事实上无论n为多少，上面的两段代码就是3次和12次执行的差异。这种与问题的大小无关（n的多少），执行时间恒定的算法，我们称之为具有O(1)的时间复杂度，又叫常数阶。
注意：不管这个常数是多少，我们都记作O(1)，而不能是O(3)、O(12)等其他任何数字，这是初学者常常犯的错误。
对于分支结构而言，无论是真，还是假，执行的次数都是恒定的，不会随着n的变大而发生变化，所以单纯的分支结构（不包含在循环结构中)，其时间复杂度也是O(1)。

1.4 线性阶

线性阶的循环结构会复杂很多。要确定某个算法的阶次，我们常常需要确定某个特定语句或某个语句集运行的次数。因此，我们要分析算法的复杂度，关键就是要分析循环结构的运行情况。
下面这段代码，它的循环的时间复杂度为O(n)，因为循环体中的代码须要执行n次。

int i;
for (i = 0; i < n; i++)
{/* 时间复杂度为O(1)的程序步骤序列 */
}

1.5 对数阶

下面的这段代码，时间复杂度又是多少呢？

int count = 1;
while (count < n)
{count = count * 2;/* 时间复杂度为O(1)的程序步骤序列 */
}

由于每次count乘以2之后，就距离n更近了一分。也就是说，有多少个2相乘后大于n，则会退出循环。由2^x=n得到x=log2{_2}2n。所以这个循环的时间复杂度为O(logn)。

1.6 平方阶

下面例子是一个循环嵌套，它的内循环刚才我们已经分析过，时间复杂度为O(n)。

int i,j;
for (i = 0; i < n; i++)
{for (j = 0; j < n; j++){/* 时间复杂度为O(1)的程序步骤序列 */}
}

而对于外层的循环，不过是内部这个时间复杂度为O(n)的语句，再循环n次。所以这段代码的时间复杂度为O(n²)。
如果外循环的循环次数改为了m，时间复杂度就变为O(m×n)。

int i,j;
for (i = 0; i < m; i++)
{for (j = 0; j < n; j++){/* 时间复杂度为O(1)的程序步骤序列 */}
}

所以我们可以总结得出，循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数。
那么下面这个循环嵌套,它的时间复杂度是多少呢?

int i,j;
for (i = 0; i < n; i++)
{for (j = i; j < n; j++)  /* 注意j = i而不是0 */{/* 时间复杂度为O(1)的程序步骤序列 */}
}

由于当i=0时，内循环执行了n次，当i=1时，执行了n-1次，……当i=n-1时，执行了1次。所以总的执行次数为:
n+(n−1)+(n−2)+…+1=n(n+1)2=n22+n2n+(n-1)+(n- 2)+…+1=\frac{n(n+1)} {2}=\frac{n^2}{2}+\frac{n}{2}n+(n−1)+(n−2)+…+1=2n(n+1)=2n2+2n
用我们推导大О阶的方法，第一条，没有加法常数不予考虑；第二条，只保留最高阶项，因此保留n²/2 ；第三条，去除这个项相乘的常数，也就是去除1/2，最终这段代码的时间复杂度为O(n²)。
从这个例子，我们也可以得到一个经验，其实理解大О推导不算难，难的是对数列的一些相关运算，这更多的是考察你的数学知识和能力，所以想考研的朋友，要想在求算法时间复杂度这里不失分，可能需要强化你的数学，特别是数列方面的知识和解题能力。

我们继续看例子，对于方法调用的时间复杂度又如何分析。

int i,j;
for (i = 0; i < n; i++)
{function (i);
}

上面这段代码调用一个function()函数

void function (int count)
{print (count);
}

函数体是打印count这个参数。其实这很好理解，function()函数的时间复杂度是O(1)。所以整体的时间复杂度为O(1)。
假如function()是下面这样的：

void function (int count)
{int j;for (j = count; j < n; j++){/* 时间复杂度为O(1)的程序步骤序列 */}
}

事实上，这和刚才举的例子是一样的，只不过把嵌套内循环放到了函数中，所以最终的时间复杂度为O(n²)。
下面这段相对复杂的语句:

n++;                       /* 执行次数为1 */
function (n);               /* 执行次数为n */
int i,j;
for (i = 0; i < n; i++)       /* 执行次数为n×n */
{function (i);
}
for (i = 0; i < n; i++)       /* 执行次数为n(n+1)/2 */
{for (j = i; j < n; j++){/* 时间复杂度为O(1)的程序步骤序列 */}
}

它的执行次数f(n)=1+n+n²+n(n+1)2\frac{n(n+1)}{2}2n(n+1)=32\frac{3}{2}23n²+32\frac{3}{2}23n+1，根据推导大O阶的方法，最终这段代码的时间复杂度也是O(n²)。

2. 常见的时间复杂度

执行次级函数	阶	非正式术语
12	O(1)	常数阶
2n+3	O(n)	线性阶
3n²+2n+1	O(n²)	平方阶
5log₂n+20	O(logn)	对数阶
2n+3nlog₂n+19	O(nlogn)	nlogn阶
6n³+2n²+3n+4	O(N³)	立方阶
2ⁿ	O(2ⁿ)	指数阶

常用的时间复杂度所耗费的时间从小到大依次是：
O(1)<O(logn)<O(n)<O(nlogn)<O(n2)<O(n3)<O(n!)<O(nn)O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(n!)<O(n^n)O(1)<O(logn)<O(n)<O(nlogn)<O(n2)<O(n3)<O(n!)<O(nn)
我们前面已经谈到了O(1)常数阶、O(logn)对数阶、O(n)线性阶、O(n²)平方阶等，至于O(nlogn)会在后面介绍，而像O(n³)，过大的n都会使得结果变得不现实。同样指数阶O(2ⁿ) 和阶乘阶O(n!) 等除非是很小的n值，否则哪怕n只是100，都是噩梦般的运行时间。所以这种不切实际的算法时间复杂度，一般我们都不去讨论它。

3. 最坏情况和平均情况

你早晨上班出门后突然想起来，手机忘记带了，这年头，钥匙、钱包、手机三大件，出门哪样也不能少呀。于是回家找。打开门一看，手机就在门口玄关的台子上，原来是出门穿鞋时忘记拿了。这当然是比较好，基本没花什么时间寻找。可如果不是放在那里，你就得进去到处找，找完客厅找卧室、找完卧室找厨房、找完厨房找卫生间，就是找不到，时间一分一秒的过去，你突然想起来，可以用家里座机打一下手机，听着手机铃声来找呀，真是笨。终于找到了，在床上枕头下面。你再去上班，迟到。见鬼，这一年的全勤奖,就因为找手机给黄了。
找东西有运气好的时候，也有怎么也找不到的情况。但在现实中,通常我们碰到的绝大多数既不是最好的也不是最坏的，所以算下来是平均情况居多。
算法的分析也是类似，我们查找一个有n个随机数字数组中的某个数字，最好的情况是第一个数字就是，那么算法的时间复杂度为O(1)，但也有可能这个数字就在最后一个位置上待着，那么算法的时间复杂度就是O(n)，这是最坏的一种情况了。
最坏情况运行时间是一种保证，那就是运行时间将不会再坏了。在应用中，这是一种最重要的需求，通常，除非特别指定，我们提到的运行时间都是最坏情况的运行时间。
而平均运行时间也就是从概率的角度看，这个数字在每一个位置的可能性是相同的，所以平均的查找时间为n/2次后发现这个目标元素。
平均运行时间是所有情况中最有意义的，因为它是期望的运行时间。 也就是说，我们运行一段程序代码时，是希望看到平均运行时间的。可现实中，平均运行时间很难通过分析得到，一般都是通过运行一定数量的实验数据后估算出来的。
对算法的分析，一种方法是计算所有情况的平均值，这种时间复杂度的计算方法称为平均时间复杂度。另一种方法是计算最坏情况下的时间复杂度，这种方法称为最坏时间复杂度。一般在没有特殊说明的情况下，都是指最坏时间复杂度。

4. 算法空间复杂度

我们在写代码时，完全可以用空间来换取时间，比如说，要判断某某年是不是闰年，你可能会花一点心思写了一个算法，而且由于是一个算法，也就意味着，每次给一个年份，都是要通过计算得到是否是闰年的结果。还有另一个办法就是，事先建立一个有2050个元素的数组（年数略比现实多一点)，然后把所有的年份按下标的数字对应，如果是闰年，此数组项的值就是1，如果不是值为0。这样，所谓的判断某一年是否是闰年，就变成了查找这个数组的某一项的值是多少的问题。此时,我们的运算是最小化了，但是硬盘上或者内存中需要存储这2050个0和1。
这是通过一笔空间上的开销来换取计算时间的小技巧。到底哪一个好，其实要看你用在什么地方。
算法的空间复杂度通过计算算法所需的存储空间实现，算法空间复杂度的计算公式记作：S(n)=o(f(n))，其中，n为问题的规模，f(n)为语句关于n所占存储空间的函数。
一般情况下，一个程序在机器上执行时，除了需要存储程序本身的指令、常数、变量和输入数据外，还需要存储对数据操作的存储单元。若输入数据所占空间只取决于问题本身，和算法无关，这样只需要分析该算法在实现时所需的辅助单元即可。若算法执行时所需的辅助空间相对于输入数据量而言是个常数，则称此算法为原地工作，空间复杂度为O(1)。
通常，我们都使用“时间复杂度”来指运行时间的需求，使用“空间复杂度”指空间需求。当不用限定词地使用“复杂度”时，通常都是指时间复杂度。

4.1 递归情况

int BinarySearch2(const int* ptr,const int x,const int left,const int right)
{  int mid=(left+right)/2;  while(left<=right)  {  if(x<ptr[mid])  {  return BinarySearch2(ptr,x,left,mid-1);  }  else if(x>ptr[mid])  {  return BinarySearch2(ptr,x,mid+1,right);  }  return mid;  }
}

递归情况下的空间复杂度： 递归深度为N*每次递归的辅助空间大小，如果每次递归的辅助空间为常数，则空间复杂度为O(N)。
对于递归的二分查找，递归深度是log2ⁿ，每次递归的辅助空间为常数，所以空间复杂度为O(log2_22N)

4.2 非递归情况

int BinarySearch1(const int* ptr,const int x,const int len)
{  int left=0;  int right=len-1;  int mid=(left+right)/2;  while(left<=right)  {  if(x<ptr[mid])  {  right=mid-1;  }  else if(x>ptr[mid])  {  left=mid+1;  }  else  {  return mid;  }  }  return -1;
}

在这个过程中，辅助空间为常数级别，所以空间复杂度为O(1)。

5. 总结

推导大O阶的步骤：

用常数 1 取代运行时间中的所有加法常数。
在修改后的运行次数函数中，只保留最高阶项。
如果最高阶项存在且不是1，则去除与这个项相乘的常数。

得到的结果就是大О阶。

通过这个步骤，我们可以在得到算法的运行次数表达式后，很快得到它的时间复杂度，即大О阶。同时我也提醒了大家，其实推导大О阶很容易，但如何得到运行次数的表达式却是需要数学功底的。

常见的时间复杂度所耗时间的大小排列：
O(1)<O(logn)<O(n)<O(nlogn)<O(n2)<O(n3)<O(n!)<O(nn)O(1)<O(logn)<O(n)<O(nlogn)<O(n^2)<O(n^3)<O(n!)<O(n^n)O(1)<O(logn)<O(n)<O(nlogn)<O(n2)<O(n3)<O(n!)<O(nn)

《数据结构与算法》（三）- 如何估算时间复杂度相关推荐

数据结构与算法(三) 排序算法（代码示例）
数据结构与算法三排序算法 1. 选择排序 2. 插入排序 3. 冒泡排序 4. 归并排序 5. 快速排序 6. 希尔排序 7. 堆排序总结 1. 选择排序选择排序的基本原理: 对于未排序的一组记 ...
数据结构与算法之美--1.时间复杂度分析
时间复杂度分析为什么要进行时间复杂度的分析大O复杂度表示法如何分析一段代码的时间复杂度? 几种常见时间复杂度实例分析. 空间复杂度最好.最坏时间复杂度平均时间复杂度均摊时间复杂度为什么要 ...
day001:数据结构和算法-时间频度和时间复杂度
1.初识数据结构和算法简单认识中:ArrayList的查询快点,插入慢.LinkedList查询慢,插入快.但是结论是将数据的大小为基础前提,相对的. -1^n 计算问题编程问题:求(-1)^0 ...
数据结构和算法三十六
剑指 Offer 66. 构建乘积数组题目:给定一个数组 A[0,1,-,n-1],请构建一个数组 B[0,1,-,n-1],其中 B[i] 的值是数组 A 中除了下标 i 以外的元素的积, 即 B ...
python【数据结构与算法】一种时间复杂度和空间复杂度的计算方法
文章目录 1 算法的时间复杂度定义 2 推导大O阶方法 2.1 常数阶 2.2 线性阶 2.3 对数阶 2.4 平方阶 2.5 立方阶 3 常见的时间复杂度排序 4 算法空间复杂度 5 常用算法的时间 ...
Python数据结构与算法(三)--数据结构的概念
上一章我们看Python内置的模块可以测试代码的时间,有的代码执行时间短有的执行时间长,就是说效率不一样. 如果上面不明显的话,大家看下面两个方法.append() 和 insert(0) impor ...
数据结构与算法的分析 —— 平均时间复杂度 vs 分摊时间复杂度
平均时间复杂度:假定各种输入实例的出现符合某种概率分布(如均匀独立随机分布)之后,进而估计出的加权时间复杂度均值. 分摊时间复杂度,纵观连续的足够多次操作,并将其间总体所需的运行时间分摊至各次操作.与 ...
拓扑排序 php,数据结构与算法（周测7-拓扑排序和AOV网络）
判断题 1.AOE图的关键路径就是最长的路径 T F 2.AOE图的权值最大的边(活动)一定是关键活动. T F 两条边相加可能比最大的边还要大. 3.在AOE-网工程中,减少任一关键活动上的权值后, ...
数据结构与算法五：哈希表-哈希函数设计原则-哈希冲突解决方案
一.哈希表的定义: 二.哈希表举例: 哈希函数就是映射关系三.哈希表应用举例: Leetcode上第387题: 思路:通过s.charAt(i)-'a'将字符串中的字符映射成hash表,出现一次,在 ...
数据结构与算法的时间空间复杂度
提到数据结构与算法就不得不提时间复杂度和空间复杂度,本人看大部分文章介绍都比较晦涩难懂,就想着用简单的代码示例快速让你理解数据结构与算法的时间空间复杂度. 首先,时间复杂度表示的是使用某个数据结构或者 ...

《数据结构与算法》（三）- 如何估算时间复杂度

目录

前言