一 时间复杂度的概念

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，算法执行的时间增长率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。

时间复杂度是总运算次数表达式中受n的变化影响最大的那一项(不含系数)

举个简单的例子：

int value = 0; // 执行了1次

for (int i = 0; i < n; i++) { // 执行了n次

value += i;

}

这个算法执行了 1 + n 次，如果n无限大，我们可以把前边的1忽略，也就是说这个算法执行了n次。时间复杂度常用大O符号表示，这个算法的时间复杂度就是O(n)。

二 计算时间复杂度

计算出基本操作的执行次数T(n)

基本操作即算法中的每条语句（以;号作为分割），语句的执行次数也叫做语句的频度。在做算法分析时，一般默认为考虑最坏的情况。

计算出T(n)的数量级

求T(n)的数量级，只要将T(n)进行如下一些操作：

忽略常量、低次幂和最高次幂的系数，令f(n)=T(n)的数量级。

用大O来表示时间复杂度

当n趋近于无穷大时，如果lim(T(n)/f(n))的值为不等于0的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n))。

只保留最高阶项，最高阶项存在且不是1，则去除与这个项相乘的常数。

用一个例子来表明以上的步骤：

for（i=1;i<=n;++i）

{

for(j=1;j<=n;++j)

{

c[ i ][ j ]=0; //该步骤属于基本操作 执行次数：n^2

for(k=1;k<=n;++k)

c[ i ][ j ]+=a[ i ][ k ]*b[ k ][ j ]; //该步骤属于基本操作 执行次数：n^3

}

}

第一步计算基本语句执行次数：T（n）= n^2+n^3；

第二步T（n）的同数量级，我们可以确定 n^3为T（n）的同数量级；

第三步用大O表示时间复杂度：T（n）=O（n^3)。

三 常见的时间复杂度

执行次数函数

阶

名称

3

O(1)

常数阶

2n+3

O(n)

线性阶

3n2+2n+1

O(n2)

平方阶

5log2n+2

O(log2n)

对数阶

2n+3nlog2n+1

O(nlogn)

nlog2n阶

6n3+2n2+3n+4

O(n3)

立方阶

2n

O(2n)

指数阶

最常见的多项式时间算法复杂度关系为：

O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3)

指数时间算法复杂度关系为：

O(2n) < O(n!)< O(nn)

举个例子来说明上述的时间复杂度：

i=1; // 执行次数：1

while (i<=n)

i=i*2;

// 频度为f（n），2^f(n)<=n;f(n)<=log2n

// 每次i*2后，距离结束循环更近了。也就是说有多少个2相乘后大于n。

// 取最大值f(n)=log2n,T(n)=O(log2n )

四 复杂情况的时间复杂度分析

1.并列循环复杂度分析

for (i=1; i<=n; i++)

for (j=1; j<=n; j++)

x++; //O（n2）

2.函数调用的复杂度分析

public void printsum(int count){

int sum = 1;

for(int i= 0; i

sum += i;

}

System.out.print(sum);

}

记住，只有可运行的语句才会增加时间复杂度，因此，上面方法里的内容除了循环之外，其余的可运行语句的复杂度都是O(1)。

所以printsum的时间复杂度 = for的O(n)+O(1) = 忽略常量 = O(n)

五 空间复杂度

空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度，记做S(n)=O(f(n))。

比如直接插入排序的时间复杂度是O(n^2),空间复杂度是O(1) 。而一般的递归算法就要有O(n)的空间复杂度了，因为每次递归都要存储返回信息。

例如关于O(1)的问题， O(1)是说数据规模和临时变量数目无关，并不是说仅仅定义一个临时变量。举例：无论数据规模多大，我都定义100个变量，这就叫做数据规模和临时变量数目无关。就是说空间复杂度是O(1)。