算法分析 | 关于时间复杂度的知识点（1,n,log n,n*log n,n*2,n*3 的比较）

在做作业的时候 

发现自己对这个知识点还是没有很清楚

现在对我百度到的博客做一下整理

1	大部分程序的大部分指令之执行一次，或者最多几次。如果一个程序的所有指令都具有这样的性质，我们说这个程序的执行时间是常数。
logN	如果一个程序的运行时间是对数级的，则随着N的增大程序会渐渐慢下来，如果一个程序将一个大的问题分解成一系列更小的问题，每一步都将问题的规 模缩减成几分之一 ，一般就会出现这样的运行时间函数。在我们所关心的范围内，可以认为运行时间小于一个大的常数。对数的基数会影响这个常数，但改变不会太大：当N=1000时，如果基数是10，logN等于3；如果基数是2，logN约等于10.当N=1 00 000，logN只是前值的两倍。当N时原来的两倍，logN只增长了一个常数因子：仅当从N增长到N平方时，logN才会增长到原来的两倍。
N	如果程序的运行时间的线性的，很可能是这样的情况：对每个输入的元素都做了少量的处理。当N=1 000 000时，运行时间大概也就是这个数值；当N增长到原来的两倍时，运行时间大概也增长到原来的两倍。如果一个算法必须处理N个输入（或者产生N个输出）， 那么这种情况是最优的。
N* logN	如果某个算法将问题分解成更小的子问题，独立地解决各个子问题，最后将结果综合起来 （如归并排序，堆排序），运行时间一般就是NlogN。我们找不到一个更好的形容， 就暂且将这样的算法运行时间叫做NlogN。当N=1 000 000时，NlogN大约是20 000 000。当N增长到原来的两倍，运行时间超过原来的两倍，但超过不是太多。
N^2	如果一个算法的运行时间是二次的，那么它一般只能用于一些规模较小的问题。这样的运行时间通常存在于需要处理每一对输入数据项的算法（在程序中很可能表现为一个嵌套循环）中，当N=1000时，运行时间是1 000 000；如果N增长到原来的两倍，则运行时间将增长到原来的四倍。
N^3	类似的，如果一个算法需要处理输入数据项的三元组（很可能表现为三重嵌套循环），其运行时间一般就是三次的，只能用于一些规模较小的问题。当N=100时，运行时间就是1 000 000；如果N增长到原来的两倍，运行时间将会增长到原来的八倍。
2^N	如果一个算法的运行时间是指数级的，一般它很难在实践中使用，即使这样的算法通常是对问题的直接求解。当N=20时，运行时间是1 000 000；如果增长到原来的两倍时，运行时间将是原时间的平方！

 

常见排序算法运行时间比较：

 

算法	最坏情况运行时间	平均情况/期望运行时间
插入算法	O(n^2)	O(n^2)
快速排序	O(n^2)	O(nlogn)【期望】
归并排序	O(nlogn)	O(nlogn)
堆排序	O(nlogn)	O(1)
希尔排序	O(n^2)	O(n^(3/2))
桶排序	O(n^2)	O(n)【平均情况】

上述表格转载自：https://blog.youkuaiyun.com/x_panda/article/details/16974709

 

时间复杂度从低到高的排序 ：O(1) < O(log N) < O(N) < O(N*log N) < O(N^2) < O(N^3) < O(2^N) < O(N!)

暂时这样子~

有补充的话 再来修改