时间复杂度超详细讲解

我们假设计算机运行一行基础代码需要执行一次运算，

int aFunc(int n){

for(int i=0;i<n;i++{

printf("hello world\n");}

return 0;//需要执行一次

}

这个方法总共需要执行n+1+n+1=2n+2次运算，for循环执行了n+1次

我们把算法需要执行的运算次数用含有n的函数表示，即T(n)。此时为了估算算法运行的时间，和简化算法分析，我们引入了时间复杂度的概念。

定义：存在常数c和函数f(N),使得当N>c时T(N)<=f(N),表示为T(n)=O(f(n))

例如当N>=2的时候，f(n)=n^2总是大于T(n)=n+2的，于是我们说f（n）的增长速度是大于或者等于T(n)的，也就是说f（n）是T(n)的上界，可以表示为T(n)=O(f(n))。

算法的时间复杂度，用来度量算法的运行时间，记作：T(n)=O(f(n))。它表示随着输入大小n的增大，算法执行需要的时间的增长速度可以用f(n)来描述。

显然如果T（n）=n^2,那么T(n)=O(n^2),T(n)=O(n^3),Tn=O(n^4)都是成立的，但是因为第一个f(n)的增长速度与T(n)是最接近的，所以我们说这个算法的时间复杂度为O(n^2)。

常数项对函数的增长速度影响并不大，所以当T(n)=c时，c为一个常数时，我们说这个算法的时间复杂度为O(1)，如果不等于常数项时，直接将常数项省略。

例如 T(n）=2,那么时间复杂度为O(1)

T(n)=n+29,那么时间复杂度为O(n)

我们知道高次项对函数的增长速度的影响是最大的。n^3的增长速度远超n^2的，同时n^2的增长速度是远超n的。因此因为要求的精度不高，我们忽略低次的。

比如：T(n)=n^3+n^2+29此时时间复杂度为O(n^3)

因为函数的阶数对函数的影响是最显著的，因此我们忽略与最高阶相乘的常数

T(n)=3n^3,此时的时间复杂度为O(n^3)

时间复杂度的计算还可以用数学来计算

例如

void aFunc(int n) {
    for(int i = 0; i < n; i++) {         // 循环次数为 n
        printf("Hello, World!\n");      // 循环体时间复杂度为 O(1)
    }
}

此时的时间复杂度为O(n*1)=O(n)

void aFunc(int n) {

 for(int i = 0; i < n; i++) { // 循环次数为 n

 for(int j = 0; j < n; j++) { // 循环次数为 n 

printf("Hello, World!\n"); // 循环体时间复杂度为 O(1)

 }

 }

 }

这样的时间复杂度就为O(n*n*1)=O(n^2)

对于顺序执行的语法或者算法，总的时间复杂度等于其中最大的时间复杂度

void aFunc(int n) { // 第一部分时间复杂度为 O(n^2) 

for(int i = 0; i < n; i++) { 

for(int j = 0; j < n; j++) {

 printf("Hello, World!\n"); }

 } // 第二部分时间复杂度为 O(n) 

for(int j = 0; j < n; j++) {

 printf("Hello, World!\n"); }

 } 

此时时间复杂度为 max(O(n^2), O(n))，即 O(n^2)。

条件判断语句也和顺序执行的一样，都是看最大的时间复杂度。

时间复杂度分析的基本策略是：从内到外分析，一定要从函数里面进行分析