在计算机科学中,时间复杂性,又称时间复杂度,算法的时间复杂度是一个函数,它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述,不包括这个函数的低阶项和首项系数。使用这种方式时,时间复杂度可被称为是渐近的,亦即考察输入值大小趋近无穷时的情况。 ——百度
常见的时间复杂度有:
- 常数阶 O(1)O(1)O(1)
- 对数阶 O(logn)O(logn)O(logn)
- 线性阶 O(n)O(n)O(n)
- 线性对数阶 O(nlogn)O(nlogn)O(nlogn)
- 平方阶 O(n2)O(n^2)O(n2)
- 立方阶 O(n3)O(n^3)O(n3)
- 指数阶 O(2n)O(2^n)O(2n)
..................
随着问题规模nnn的不断增大,上述时间复杂度不断增大,算法的执行效率将越低。
下面具体说一下这几个复杂度:
- 常数阶 O(1)O(1)O(1)
只要没有循环结构等复杂结构,只有简单的计算,那么这个程序的时间复杂度即为O(1)O(1)O(1)。
#include<iostream>
#include<cstdio>
using namespace std;
int main()
{
int a=1,b=2,c;
c=a+b;
return 0;
}
那么无论这类代码有多长,即使有几万行,都可以用O(1)O(1)O(1)来表示它的时间复杂度。
- 对数阶 O(logn)O(logn)O(logn)
#include<iostream>
#include<cstdio>
using namespace std;
int main()
{
int k=1,n=5;
while(k<n){
k*=2;
}
return 0;
}
设循环次数为xxx,则2x=n2^x=n2x=n,推出x=lognx=lognx=logn ,所以时间复杂度为O(nlogn)O(nlogn)O(nlogn)。
- 线性阶O(n)O(n)O(n)
#include<iostream>
#include<cstdio>
using namespace std;
int main()
{
int k=0,n=10;
for(int i=1;i<=n;i++){
k=i+1;
k+=1;
}
return 0;
}
forforfor循环里面的代码会执行n遍,它消耗的时间是随着n的变化而变化的, 所以这类代码都的时间复杂度为O(n)O(n)O(n)。
- 线性对数阶 O(nlogn)O(nlogn)O(nlogn)
#include<iostream>
#include<cstdio>
using namespace std;
int main()
{
int k,n=5;
for(int i=1;i<n;i++){
k=1;
while(k<n){
k*=2;
}
}
return 0;
}
在时间复杂度为 O(logn)O(logn)O(logn)的代码基础上循环nnn遍,得到的代码的时间复杂度即为O(nlogn)O(nlogn)O(nlogn)。
- 平方阶O(n2)O(n^2)O(n2)
#include<iostream>
#include<cstdio>
using namespace std;
int main()
{
int k=0,n=5;
for(int i=1;i<=n;i++){
for(int j=1;j<=i;j++){
k++;
}
}
return 0;
}
O(n2)O(n^2)O(n2) 表示一个算法的性能将会随着输入数据的增长而呈现出二次增长。
- 立方阶O(n3)O(n^3)O(n3)
#include<iostream>
#include<cstdio>
using namespace std;
int main()
{
int k=0,n=5;
for(int i=1;i<=n;i++){
for(int j=1;j<=i;j++){
for(int l=1;l<=j;l++)
k++;
}
}
return 0;
}
O(n3)O(n^3)O(n3) 表示一个算法的性能将会随着输入数据的增长而呈现出三次增长。
- 指数阶 O(2n)O(2^n)O(2n)
#include<iostream>
#include<cstdio>
using namespace std;
int f(int n)
{
if(n==0) return 0;
if(n==1) return 1;
return f(n-1)+f(n-2);
}
int main()
{
int k;
scanf("%d",&k);
cout<<f(k);
return 0;
}
O(2n)O(2^n)O(2n)表示一个算法的性能将会随着输入数据的每次增加而增大两倍,斐波那契数列就是个典型。
例题
- 设某算法的计算时间表示为递推关系式T(n)=2T(n/2)+nT(n)=2T(n/2)+nT(n)=2T(n/2)+n且nnn为正整数,T(0)=1T(0)=1T(0)=1, 则该算法的时间复杂度为()。
A.O(n)O(n)O(n) B.O(n2)O(n^2)O(n2) C.O(nlogn)O(nlogn)O(nlogn) D.O(logn)O(logn)O(logn)
分析:
主定理:T(n)=2T(n/2)+nT(n)=2T(n/2)+nT(n)=2T(n/2)+n可得到T(n)=O(nlogn)T(n)=O(nlogn)T(n)=O(nlogn)。
故选CCC。
- 具有nnn个顶点,eee 条边的图采用邻接表存储结构,进行深度优先遍历和广度优先遍历运算的时间复杂度均为()。
A.O(n2)O(n^2)O(n2) B.O(e2)O(e^2)O(e2) C.O(ne)O(ne)O(ne) D.O(n+e)O(n+e)O(n+e)
分析:
邻接表里面每个边被储存两次,复杂度是是n+2en+2en+2e
,但在大OOO表示法中O(n+2e)O(n+2e)O(n+2e)通常应表示为O(n+e)O(n+e)O(n+e)。
故选DDD。
总结
时间复杂度是评价一个算法好坏的标准,在考试中遇到的话,可以推一下运算了几次,然后取最高项即可。
完结撒花~~