算法复杂度分析

1 、算法的时间性能分析
（1 ）算法耗费的时间和语句频度
　　 一个算法所耗费的时间= 算法中每条语句的执行时间之和
每条语句的执行时间= 语句的执行次数( 即频度(Frequency Count)) ×语句执行一次所需时间
     算法转换为程序后，每条语句执行一次所需的时间取决于机器的指令性能、速度以及编译所产生的代码质量等难以确定的因素。
     若要独立于机器的软、硬件系统来分析算法的时间耗费，则设 每条语句执行一次所需的时间均是单位时间，一个算法的时间耗费就是该算法中所有语句的频度之和。

求两个n 阶方 阵的乘积 C=A ×B, 其算法如下 :
# define n 100 // n 可根据需要定义, 这里假定为 100
void MatrixMultiply(int A[a] ，int B [n][n] ， int C[n][n])
{ // 右边列 为各语句的频度
int i ,j ,k;
(1) for(i=0; i ＜ n;j++) n+1
(2)     for (j=0;j ＜ n;j++) { n(n+1)
(3)       C[i][j]=0; n²
(4)       for (k=0; k ＜ n; k++) n² (n+1)
(5)         C[i][j]=C[i][j]+A[i][k]*B[k][j]; n³
         }
       }
     该 算法中所有语句的频度之和( 即算法的时间耗费) 为：
           T(n)=2n³ +3n² +2n+1 (1.1)
分析：
　　 语句(1) 的 循环控制变量i 要增加到n ，测试到i=n 成立才会终止。故它的频度是n+1 。 但是它的循环体却只能执行n 次。语句(2) 作为语句(1) 循环体内的语 句应该执行n 次，但语句(2) 本身要执行n+1 次，所以语句(2) 的 频度是n(n+1) 。同理可得语句(3) ，(4) 和(5) 的 频度分别是n² ，n² (n+1) 和n³ 。
　　 算法MatrixMultiply 的时间耗费T(n) 是 矩阵阶数n 的函数。
（2 ）问题规模和算法的时间复杂度
     算法求解问题的输入量称为问题的规模(Size), 一 般用一个整数表示。

矩阵乘积问题的规模是矩阵的阶数。

一个图论问题的规模则是图中的顶点数或边 数。
　　 一个算法的时间复杂度(Time Complexity, 也称时间复杂性)T(n) 是该算法的时间耗费，是该算法所求解问题规模n 的 函数。当问题的规模n 趋向无穷大时，时间复杂度T(n) 的数量级( 阶) 称 为算法的渐进时间复杂度。

算法MatrixMultidy 的 时间复杂度T(n) 如(1.1) 式所示，当n 趋向无穷大时，显然有

　　 这表明，当n 充分大时，T(n) 和n³ 之 比是一个不等于零的常数。即T(n) 和n³ 是同阶的，或者说T(n) 和n³ 的 数量级相同。记作T(n)=O(n³ ) 是算法MatrixMultiply 的 渐近时间复杂度。

（3 ）渐进时间复杂度评价算法时间性能
　　主要用算法时间复杂度的数量级( 即算法的渐近时间复杂度) 评 价一个算法的时间性能。

算法MatrixMultiply 的 时间复杂度一般为T(n)=O(n³ ) ，f(n)=n³ 是 该算法中语句(5) 的频度。下面再举例说明如何求算法的时间复杂度。

交换i 和j 的 内容。
      Temp=i;
      i=j;
      j=temp;
　　以上三条单个语句的频度均为1 ， 该程序段的执行时间是一个与问题规模n 无关的常数。算法的时间复杂度为常数阶，记作T(n)=O(1) 。
注意：如果算法的执行时间不随着问题规模n 的增加 而增长，即使算法中有上千条语句，其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1) 。
变量计数之一：
(1) x=0;y=0;
(2) for(k-1;k<=n;k++)
(3)     x++;
(4) for(i=1;i<=n;i++)
(5)       for(j=1;j<=n;j++)
(6)         y++;
　　一般情况下，对步进循环语句只需考虑循环体中语句的执行次数，忽略该语句中步长加1 、终值判别、控制转 移等成分。因此，以上程序段中频度最大的语句是(6) ，其频度为f(n)=n² ， 所以该程序段的时间复杂度为T(n)=O(n² ) 。
　　当有若干个循环语句时，算法的时间复杂度是由嵌套层数最多的循环语句中最内层语句的频度f(n) 决定 的。

变量计数之二：
(1) x=1;
(2) for(i=1;i<=n;i++)
(3)       for(j=1;j<=i;j++)
(4)           for(k=1;k<=j;k++)
(5)               x++;
　　该程序段中频度最大的语句是(5) ， 内循环的执行次数虽然与问题规模n 没有直接关系，但是却与外层循环的变量取值有关，而最外层循环的次数直接与n 有 关，因此可以从内层循环向外层分析语句(5) 的执行次数：

则该程序段的时间复杂度为T(n)=O(n³ /6+ 低次项)=O(n³ ) 。
（4 ）算法的时间复杂度不仅仅依赖于问题的规 模，还与输入实例的初始状态有关。

在数值A[0..n-1] 中 查找给定值K 的算法大致如下：
     (1)i=n-1;
          (2)while(i>=0&&(A[i]!=k))
      (3)     i--;
      (4)return i;
     此算法中的语句(3) 的频度不仅与问题规模n 有关，还与输入实例中A 的 各元素取值及K 的取值有关 :
①若A 中 没有与K 相等的元素，则语句(3) 的频度f(n)=n ；
②若A 的最后一个元素等于K, 则语句(3) 的频度f(n) 是 常数0 。

-------------------------

按数量级递增排列，常见的时间复杂度有：

　　常数阶O(1), 对数阶O(log2n), 线性阶O(n), 线性对数阶O(nlog2n), 平方阶O(n^2)， 立方阶O(n^3),...， k次方阶O(nk), 指数阶O(2n)。

      随着问题规模n的不断增大，上述时间复杂度不断增大， 算法的执行效率越低。