算法的时间复杂度

    在算法中，以频次最高的语句作为时间复杂度的度量标准。一般不必精确地计算出算法的时间复杂度，只要估计出相应的数量级即可，比如 $O(1)、O(lo{g}_{2}n)、O(n)、O(n^2)$ 等
　　设m为频繁语句(也叫循环语句，或者递归语句)执行的次数，n为问题的规模，则
　　　　　　　　$m=O(f(n))=O(n)$
　　即 执行次数$m$是问题规模$n$的函数，$O(f(n))$表示$n$的时间复杂度。
　　算法的时间复杂度，一般与问题规模$n$有关；
　　1) 如果算法的时间复杂度与$n$无关，则
　　　　　　　　$O(f(n))=O(1)$
　　2) 如果算法的时间复杂度与$n$为线性关系时，则
　　　　　　　　$O(f(n))=O(n)$
　　3) 如果算法的时间复杂度与$n$为平方关系时，则
　　　　　　　　$O(f(n))=O(n^2)$；
　　4) 如果算法的时间复杂度与$n$为开方关系时，则
　　　　　　　　$O(f(n))=O(\sqrt{n})$
　　5) 如果算法的时间复杂度与$n$为对数关系时，则
　　　　　　　　$O(f(n))=O(lo{g}_{2}n)$
　　6) 如果算法的时间复杂度与$n$成指数关系，则
　 　　　　　　$O(f(n))=O(2^n)$
　 常用时间复杂度的大小关系如下：
　 　　　　　　$O(1)\le O(lo{g}_{2}n)\le O(n)\le O(nlo{g}_{2}n)\le O(n^2)\le O(n^3)\le \cdots O(n^k)\le O(2^n)$
估算公式：

1. $f(n)=a{n}^2+bn+c=O(a{n}^2)=O(n^2)$
2. $f(n)=an+b=O(an)=O(n)$
3. $f(n)=c=O(c)=O(1)$
4. $f(n)=a{n}^2+blo{g}_{2}n=O(a{n}^2)=O(n^2)$
5. $f(n)=a{n}^{lo{g}_{2}n}+blo{g}_{2}n=O(a{n}^{lo{g}_{2}n})=O(n^{lo{g}_{2}n})$
6. $$\begin{gathered} f(n)= \\ anlo{g}_{2}n+blo{g}_{2}n=O(anlo{g}_{2}n)=O(nlo{g}_{2}n) \end{gathered}$$
7. $f(n)=a{n}^2+bnlo{g}_{2}n=O(a{n}^2)=O(n^2)$
   　　上式中，$a、b、c$都为常数，且$a\ne 0$。

    案例1.分析以下算法的复杂度

void func(int n){
	int i=1,k=100;
	while(i<n){
		k++; i+=2;
	}
}

    解答：此算法的频繁语句是while{}，设while{}语句执行的次数为$m$, 由题意知，$i$从1开始, 每次递增2，最后取值为$1+2m$, 于是:
　　$i=1+2m<n$
　即$m<\frac{n-1}{2}=O(\frac{n-1}{2})=O(n)$
　所以，该算法的时间复杂度为$O(n)$。
　
    案例2. 分析以下算法的时间复杂度

void func(int n){
	int i,j,x=0;
	for(i=1;i<n;i++)
		for(j=i+1;j<=n;j++)
			x++;
}

    解答：该算法的频繁语句是x++; 设x++执行的次数为m, 则
\begin{align}
m & = \sum_{i=1}^{n-1} \sum_{j=i+1}^n1 \
&= \sum_{i=1}^{n-1}(n-(i+1)+1) \
&= \sum_{i=1}^{n-1}(n-i) \
&= (n-1)+(n-2)+ \cdots + 1 \
&= \frac{(n-1)((n-1)+1))}{2}=\frac{n(n-1)}{2}
\end{align}
　　即$m=\frac{n(n-1)}{2}=O(\frac{n(n-1)}{2})=O(n^2)$　
　　所以，该算法的时间复杂度为$O(n^2)$。

    案例3. 分析以下程序段的时间复杂度

void func(int n){
	int i=0,s=0;
	while(s<n){
		i++;
		s = s+i;
	}
}

    解答：该算法的频繁语句为while{}, 设while{}的执行次数为m, i从0开始递增1，直到m-1为止，有
　　　　　　　　　　$s=0+1+2+\cdots +(m-1)=\frac{m(m-1)}{2}$
　　又$s=m(m-1)/2<n$
　　则$m\le \sqrt{n}$
　　即该算法的时间复杂度为$O(\sqrt{n})$。