转自：https://baijiahao.baidu.com/s?id=1660652875492472954&wfr=spider&for=pc
名词解释：
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。
时间复杂度的表示方法
其实就是算法（代码）的执行效率，算法代码的执行时间。我们来看下面一个简单的代码：
1 int sumFunc(int n) { 2 3 int num = 0; // 执行一次 4 5 for (int i = 1; i <= n; ++i) { // 执行n次 6 7 num = num + i; // 执行n次 8 9 } 10 11 return num; 12 13 }
假设，每行代码的执行时间为t，那么这块代码的时间就是(2n+2)*t
由此得出：代码执行时间T(n)与代码的执行次数是成正比的！
那么我们来看下一个例子：
1 int sumFunc(int n) { 2 3 int num = 0; // 执行一次 4 5 for (int i = 1; i <= n; ++i) { // 执行n次 6 7 for (int j = 1; j <= n; ++j) { //执行n*n次 8 9 num = num + i * j; // 执行n*n次 10 11 } 12 13 } 14 15 }
同理，该代码执行时间为(2n*n+n+1)*t，没意见吧？继续往后看！
注意：在数据结构/算法中，通常使用T(n)表示代码执行时间，n表示数据规模大小，f(n)表示代码执行次数综合，所以上面这个例子可以表示为f(n)=(2n*n+n+1)*t，其实就是一个求总和的式子，O(大写O)表示代码执行时间与f(n) 成正比例。
根据上面两个例子得出结论：代码的执行时间 T(n)与每行代码的执行次数 n 成正比，人们把这个规律总结成这么一个公式：T(n) = O(f(n))
所以呢，第一个例子中的 T(n)=O(2n+1)，第二个例子中的 T(n)=O(2n*n+n+1)，这就是时间复杂度表示法，也叫大O时间复杂度表示法。
但是，大O时间复杂度并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度，简称时间复杂度。
与泰勒公式相反的是，算了，扯哪去了…
当n变得越来越大时，公式中的低阶，常量，系数三部分影响不了其增长趋势，所以可以直接忽略他们，只记录一个最大的量级就可以了，所以上述两个例子实际他们的时间复杂度应该记为：T(n)=O(n) ，T(n)=O(n*n)
我想你应该明白大致是怎么回事了，那么我们来看看如何去计算它？
时间复杂度的分析与计算方法
（1）循环次数最多原则
我们上面说过了，当n变得越来越大时，公式中的低阶，常量，系数三部分影响不了其增长趋势，可以直接忽略他们，只记录一个最大的量级就可以了。因此我们在计算时间复杂度时，只需关注循环次数最多的那段代码即可。
1 int sumFunc(int n) { 2 3 int sum = 0; //执行1次，忽略不计 4 5 for (int i = 0; i < n; i++) { 6 7 sum += i; // 循环内执行次数最多，执行次数为n次，因此时间复杂度记为O(n) 8 9 } 10 11 return sum; //执行1次，忽略不计 12 13 }
（2）加法原则
1 int sumFunc(int n) { 2 3 int sum = 0; //常量级，忽略 4 5 for (int i = 0; i < 99; i++) { 6 7 sum += i; //执行100次，还是常量级，忽略 8 9 } 10 11 for (int i = 0; i < n; i++) { 12 13 sum += i; //执行n次 14 15 } 16 17 for (int i = 0; i < n; i++){ 18 19 for (int j = 0; j < n; j++) { 20 21 sum += i; //执行n*n次 22 23 } 24 25 } 26 27 return sum; 28 29 }
上述例子中，最大的两块代码时间复杂度分别为 O(n)和O(n*n)，其结果本应该是：T(n)=O(n)+O(n*n)，我们取其中最大的量级，因此整段代码的复杂度为：O(n * n)
所以得出结论：量级最大的那段代码时间复杂度=总的时间复杂度
（3）乘法原则
嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
1 void Func1(int n) { 2 3 for (int i = 0; i < n; i++) { 4 5 Func2(n); //执行n次，每次都会调用Func2函数执行n次 6 7 } 8 9 } 10 11 void Func2(int n) { 12 13 int sum = 0; 14 15 for (int i = 0; i < n; i++) 16 17 { 18 19 sum += 1; //执行n次 20 21 } 22 23 }
因此这段代码时间复杂度为O(n) * O(n) = O(n*n) = O(n*n)
同理，如果将其中一个n换成m，那么它的时间复杂度就是O(n*m)
常见的几种时间复杂度
（1）O(1)常量级时间复杂度
1 void Func(void) { 2 3 for (int i = 0; i < 100; i++) { 4 5 printf("hello"); //执行一百次，也是常量级，记为O(1) 6 7 } 8 9 } 10 11 void Func(void) { 12 13 printf("hello"); 14 15 printf("hello"); 16 17 printf("hello"); 18 19 //各执行一次，还是记为O(1) 20 21 }
相信你也看明白了，O(1)不是说代码只有一行，这个1它代表的是一个常量，即使它有以前一万行这样的也是O(1)，因为它是固定的不会变化（也就是常量），所以凡是常量级复杂度代码，均记为O(1)
（2）常见的O(n)复杂度
1 void Func(int n) { 2 3 for (int i = 0; i < n; i++) { 4 5 printf("hello"); 6 7 } 8 9 }
不用多说了吧！继续！
（3）O(logn)，O(nlogn) ，这就有点难度了！
首先我们来回忆以下换底公式：
记住公式啊，来看例子：
1 void Func(int n) { 2 3 for (int i = 1; i < n; i++) { 4 5 i = i * 2; 6 7 } 8 9 }
可以看出，i = i * 2这行代码执行次数是最多的，那么到底执行了多少次呢？
第一次 i=2，执行第二次 i=4，执行第三次 i=8…
假设它执行了x次，那么x的取值为：
当上述代码的2改成3的时候，x的取值也就是：
当然不管log的底数是几，是e也好，是10也罢，统统记为：
这是为啥子念？由换底公式可以计算出：
换底之后，可以看出log3(2)其实就是一个常数，忽略它！而在这场游戏中，log默认就是以2为底的，所以统统记为O(logn)。
1 void Func(int n) { 2 3 for (int i = 0; i < n; i++) { 4 5 Func2(n); //执行n次，嵌套调用，每次调用执行logn次 6 7 } 8 9 } 10 11 void Func2(int n) { 12 13 for (int i = 0; i < n; i++) 14 15 { 16 17 i = i * 2; //执行logn次 18 19 } 20 21 }
所以这个O(nlogn)也很好理解了吧！
其他就不赘述了，相信聪明的你一定可以举一反三！