算法时间复杂度
要判断算法的好坏,可以从时间方面进行分析。算法运行的越快,所用的时间越短则算法越好。但是同一个算法在不同的平台上的运行时间不同。那么又该如何进行评判呢?我们采用时间复杂度进行衡量。
算法时间复杂度定义
在进行算法分析时, 语句总的执行次数 是关于问题规模 的函数,进而分析 随 的变化情况并确定 的数量。算法的时间复杂度。也就是算法的时间量度,记做: 。它表示随问题规模 的增大,算法执行时间的增长率和 的增长率相同,称作算法的渐近时间复杂度,简称为时间复杂度。 其中 是问题规模 的某个函数。
简单的理解时间复杂度就是用来表示执行次数 随问题规模 增加的变化趋势。一般情况下,随着 的增大, 增长最慢的算法为最优算法。
那么如何分析一个算法的时间复杂度呢?步骤如下:
- 用常数 1 取代运行时间中的所有加法常数。
- 再修改后的运行次数函数中,只保留最高阶项。
- 如果最高阶项存在且不是 1 ,则去除与这个项相乘的常数。
时间复杂度
int a=1,b=3,sum=0;//执行1次
sum=a+b;//执行1次
cout<<"sum="<<sum<<endl;//执行1次
时间复杂度
for(int i = 0; i < n; i++)//执行n次
{
cout<<i<<endl;
}
时间复杂度
for(int i = 0; i < n; i++)//执行n^2次
{
for(int j = 0; j < n; j++)
{
cout<<i<<endl;
}
}
综上,我们可以看出,若每层嵌套的时间复杂度为 ,则 层嵌套的时间复杂度为 。
时间复杂度
int i=1;
while(i<n)
{
i=i*2;
}
由于每次执行i乘以2,当 时结束循环。所以总共执行了 次,所以其时间复杂度为 。
常用的时间复杂度所耗费的时间从小到大依次是:
最坏情况
最坏情况运行时间是一种保证,那就是运行时间将不会再坏了。一般在没有特殊说明的情况下,都是指最坏时间复杂度。
平均情况
平均运行时间是所有情况中最有意义的,因为它是期望的运行时间。
递归算法的时间复杂度求解
递归算法的时间复杂度的求解方法有很多,我们这里介绍一个比较常用的求解方法——主方法。
对于递归式:
其中 和 是常数, 是渐近正函数。
- 若对某个常数 ,有 ,则
- 若 ,则
- 若对某个常数 ,有 ,且对于某个常数 和所有足够大的 有 ,则
举个栗子: ,其中 , 。当 ,有 。符合第一种情况所以 。