时间复杂度
先来一段有趣的对话
看到时间复杂度的重要性了吧
那什么是时间复杂度呢
一天过后，小灰和大黄各自交付了代码，两端代码实现的功能都差不多。大黄的代码运行一次要花100毫秒，内存占用5MB。小灰的代码运行一次要花100秒，内存占用500MB。于是......
由此可见，衡量代码的好坏，包括两个非常重要的指标：
- 运行时间；
- 占用空间。
我们先看一下标准的定义
定义：如果一个问题的规模是n，解这一问题的某一算法所需要的时间为T(n)，它是n的某一函数 T(n)称为这一算法的“时间复杂性”。
当输入量n逐渐加大时，时间复杂性的极限情形称为算法的“渐近时间复杂性”。
我们常用大O表示法表示时间复杂性，注意它是某一个算法的时间复杂性。大O表示只是说有上界，由定义如果f(n)=O(n)，那显然成立f(n)=O(n^2)，它给你一个上界，但并不是上确界，但人们在表示的时候一般都习惯表示前者。
此外，一个问题本身也有它的复杂性，如果某个算法的复杂性到达了这个问题复杂性的下界，那就称这样的算法是最佳算法。
-
“大O记法”：在这种描述中使用的基本参数是n，即问题实例的规模，把复杂性或运行时间表达为n的函数。这里的“O”表示量级 (order)，比如说“二分检索是 O(logn)的”,也就是说它需要“通过logn量级的步骤去检索一个规模为n的数组”记法 O ( f(n) )表示当 n增大时，运行时间至多将以正比于 f(n)的速度增长。
-
常见的时间复杂度
- 按数量级递增排列，常见的时间复杂度有：
那这里，它的时间复杂度就是(O(n^3))
原式(Rightarrow sum_{i'=1}^nfrac{1}{2}i(i+1))
(Rightarrow frac{1}{2}sum_{i'=1}^ni^2+frac{1}{2}sum_{i'=1}^ni)前一个(O(n^3))后一个(O(n^2))
* 如果这个比较抽象，那随便来段代码
for(i=0;i<n;i++)
{
for(j=0;j<i;j++)
{
for(k=0;k<j;k++)
x=x+2;
}
}
那我们可以看到，代码中出现了三层循环，那么我们可以认为它的时间复杂度为(O(n^3))
当i=m,j=k的时候,内层循环的次数为k
当i=m时,j可以取 (0,1,…,m−1)
所以这里最内循环共进行了(0+1+…+m−1=frac{(m−1)m}{2})次
所以,i从0取到n, 则循环共进行了:(0+frac{(1−1)×1}{2}+…+frac{(n−1)n}{2}=frac{n(n+1)(n−1)}{6})
所以时间复杂度为(O(n^3))
-
平时听到某些大佬口中的(O(1))是什么呢？
temp=i;i=j;j=temp;遇到这样的语句，我们可能会听到“使用(O(1))查询。。。”之类的话语。实际上与n无关，只是在执行语句。 -
当然，在一些场合，你可能会听到频度这个词。那频度又是什么？（很明显我前面忘说了）
- 还是来看一下标准定义
一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为(T(n))。
* 其实我也没太看懂
* 所以还是举个栗子吧
假设$T(n)=2n^2+n+1$，那么我们就可以忽略n的最高次项的系数，以及其他项（包括常数项），认为$T(n)=O(n^2)$
当然，你也可以类比一下。
物理老师上课讲过当$m<<M$的时候，表达式$a=frac{M}{M+m}g$忽略m的取值，即m微小到不对结果起到作用/手动@yyp/
* 样例代码呢。。。
for (i=1;i<n;i++) {
y=y+1; ①
for(j=0;j<=(2*n);j++) {
x++; } ②
}
像这样，代码中语句①的频度是(n−1)
语句②的频度是((n−1)∗(2n+1)=2n^2−n−1)
(f(n)=2n^2−n−1+(n−1)=2n^2−2)（f(n)上面提到了）
该程序的时间复杂度(T(n)=O(n^2))
i=1; ①
while (i<=n)
i=i*2; ②
语句①的频度是1
到这里，又卡住了，语句②是什么鬼。。。（我也不知道）
那我们可以设语句②的频度是(f(n)), 则：(2^{f(n)}≤n)；(f(n)≤logn)
取最大值(f(n)=logn)，(T(n)=O(logn))
- 总结一下（
来源于网络）
一般情况下，算法的基本操作重复执行的次数是模块n的某一个函数(f(n))，因此，算法的时间复杂度记做：(T(n)=O(f(n)))。随着模块n的增大，算法执行的时间的增长率和(f(n))的增长率成正比，所以(f(n))越小，算法的时间复杂度越低，算法的效率越高。
在计算时间复杂度的时候，先找出算法的基本操作，然后根据相应的各语句确定它的执行次数，再找出(T(n))的同数量级（它的同数量级有以下：(logn, n, nlogn, n^2, n^3, 2^n,n!))，找出后，(f(n)=该数量级)，若(frac{T(n)}{f(n)})求极限可得到一常数c，则时间复杂度(T(n)=O(f(n)))。
- 看到上面那个求极限了？就是