数据结构推到大O阶

最新推荐文章于 2024-08-27 18:59:31 发布

原创最新推荐文章于 2024-08-27 18:59:31 发布 · 置顶 · 384 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#数据结构时间复杂度

本文深入探讨了算法的时间复杂度概念，解释了如何通过分析语句执行次数来确定算法的渐进时间复杂度，即T(n) = O(f(n))。文章列举了常见的时间复杂度类型，从常数阶O(1)到线性阶O(n)，再到立方阶O(n^)，并提供了对数界的具体实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

                                                                      算法时间的复杂度

算法时间复杂度定义：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，也即是算法的时间量度，记作：T（n）=O（f（n））。它表示随问规模n的增大，算法执行时间的增长率和f（n）的增长率相同，称作算法的渐进时间复杂度，简称为时间复杂度。其中发（n）是问题规模n的某个函数。

对数界
N=1 循环0次
N=2 循环1次
N=3 循环2次
N=4 循环2次
N=5 循环3次
N=6 循环3次
N=7 循环3次
N=8 循环3次
N=9 循环4次

常见的时间复杂度
在这里插入图片描述
常用的时间复杂度所耗费的时间从小到大一次是：

代码执行一遍的是常数阶O（1）
for循环是线性阶O（n）
嵌套for循环是立方阶O（n^）