时间复杂度
时间复杂度
概念定义
根据定义,时间复杂度指输入数据大小为 �N 时,算法运行所需花费的时间。需要注意:
- 统计的是算法的「计算操作数量」,而不是「运行的绝对时间」。计算操作数量和运行绝对时间呈正相关关系,并不相等。算法运行时间受到「编程语言 、计算机处理器速度、运行环境」等多种因素影响。例如,同样的算法使用 Python 或 C++ 实现、使用 CPU 或 GPU 、使用本地 IDE 或力扣平台提交,运行时间都不同。
- 体现的是计算操作随数据大小 �N 变化时的变化情况。假设算法运行总共需要「 11 次操作」、「 100100 次操作」,此两情况的时间复杂度都为常数级 �(1)O(1) ;需要「 �N 次操作」、「 100�100N 次操作」的时间复杂度都为 �(�)O(N) 。
符号表示
根据输入数据的特点,时间复杂度具有「最差」、「平均」、「最佳」三种情况,分别使用 �O , ΘΘ , ΩΩ 三种符号表示。以下借助一个查找算法的示例题目帮助理解。
题目: 输入长度为 �N 的整数数组
nums
,判断此数组中是否有数字 77 ,若有则返回true
,否则返回 �����false 。解题算法: 线性查找,即遍历整个数组,遇到 77 则返回
true
。代码:
def find_seven(nums): for num in nums: if num == 7: return True return False
- 最佳情况 Ω(1)Ω(1) :
nums = [7, a, b, c, ...]
,即当数组首个数字为 77 时,无论nums
有多少元素,线性查找的循环次数都为 11 次; - 最差情况 �(�)O(N) :
nums = [a, b, c, ...]
且nums
中所有数字都不为 77 ,此时线性查找会遍历整个数组,循环 �N 次; - 平均情况 ΘΘ : 需要考虑输入数据的分布情况,计算所有数据情况下的平均时间复杂度;例如本题目,需要考虑数组长度、数组元素的取值范围等;
大 �O 是最常使用的时间复杂度评价渐进符号,下文示例与本 LeetBook 题目解析皆使用 �O 。
常见种类
根据从小到大排列,常见的算法时间复杂度主要有:
�(1)<�(log�)<�(�)<�(�log�)<�(�2)<�(2�)<�(�!)O(1)<O(logN)<O(N)<O(NlogN)<O(N2)<O(2N)<O(N!)
示例解析
对于以下所有示例,设输入数据大小为 �N ,计算操作数量为 �����count 。图中每个「蓝色方块」代表一个单元计算操作。
常数 �(1)O(1) :
运行次数与 �N 大小呈常数关系,即不随输入数据大小 �N 的变化而变化。
def algorithm(N):
a = 1
b = 2
x = a * b + N
return 1
对于以下代码,无论 �a 取多大,都与输入数据大小 �N 无关,因此时间复杂度仍为 �(1)O(1) 。
def algorithm(N):
count = 0
a = 10000
for i in range(a):
count += 1
return count
线性 �(�)O(N) :
循环运行次数与 �N 大小呈线性关系,时间复杂度为 �(�)O(N) 。
def algorithm(N):
count = 0
for i in range(N):
count += 1
return count
对于以下代码,虽然是两层循环,但第二层与 �N 大小无关,因此整体仍与 �N 呈线性关系。
def algorithm(N):
count = 0
a = 10000
for i in range(N):
for j in range(a):
count += 1
return count
平方 �(�2)O(N2) :
两层循环相互独立,都与 �N 呈线性关系,因此总体与 �N 呈平方关系,时间复杂度为 �(�2)O(N2) 。
def algorithm(N):
count = 0
for i in range(N):
for j in range(N):
count += 1
return count
以「冒泡排序」为例,其包含两层独立循环:
- 第一层复杂度为 �(�)O(N) ;
- 第二层平均循环次数为 �22N ,复杂度为 �(�)O(N) ,推导过程如下:
�(�2)=�(12)�(�)=�(1)�(�)=�(�)O(2N)=O(21)O(N)=O(1)O(N)=O(N)
因此,冒泡排序的总体时间复杂度为 �(�2)O(N2) ,代码如下所示。
def bubble_sort(nums):
N = len(nums)
for i in range(N - 1):
for j in range(N - 1 - i):
if nums[j] > nums[j + 1]:
nums[j], nums[j + 1] = nums[j + 1], nums[j]
return nums
指数 �(2�)O(2N) :
生物学科中的 “细胞分裂” 即是指数级增长。初始状态为 11 个细胞,分裂一轮后为 22 个,分裂两轮后为 44 个,……,分裂 �N 轮后有 2�2N 个细胞。
算法中,指数阶常出现于递归,算法原理图与代码如下所示。
def algorithm(N):
if N <= 0: return 1
count_1 = algorithm(N - 1)
count_2 = algorithm(N - 1)
return count_1 + count_2
阶乘 �(�!)O(N!) :
阶乘阶对应数学上常见的 “全排列” 。即给定 �N 个互不重复的元素,求其所有可能的排列方案,则方案数量为:
�×(�−1)×(�−2)×⋯×2×1=�!N×(N−1)×(N−2)×⋯×2×1=N!
如下图与代码所示,阶乘常使用递归实现,算法原理:第一层分裂出 �N 个,第二层分裂出 �−1N−1 个,…… ,直至到第 �N 层时终止并回溯。
def algorithm(N):
if N <= 0: return 1
count = 0
for _ in range(N):
count += algorithm(N - 1)
return count
对数 �(log�)O(logN) :
对数阶与指数阶相反,指数阶为 “每轮分裂出两倍的情况” ,而对数阶是 “每轮排除一半的情况” 。对数阶常出现于「二分法」、「分治」等算法中,体现着 “一分为二” 或 “一分为多” 的算法思想。
设循环次数为 �m ,则输入数据大小 �N 与 2�2m 呈线性关系,两边同时取 ���2log2 对数,则得到循环次数 �m 与 log2�log2N 呈线性关系,即时间复杂度为 �(log�)O(logN) 。
def algorithm(N):
count = 0
i = N
while i > 1:
i = i / 2
count += 1
return count
如以下代码所示,对于不同 �a 的取值,循环次数 �m 与 log��logaN 呈线性关系 ,时间复杂度为 �(log��)O(logaN) 。而无论底数 �a 取值,时间复杂度都可记作 �(log�)O(logN) ,根据对数换底公式的推导如下:
�(log��)=�(log2�)�(log2�)=�(log�)O(logaN)=O(log2a)O(log2N)=O(logN)
def algorithm(N):
count = 0
i = N
a = 3
while i > 1:
i = i / a
count += 1
return count
如下图所示,为二分查找的时间复杂度示意图,每次二分将搜索区间缩小一半。
线性对数 �(�log�)O(NlogN) :
两层循环相互独立,第一层和第二层时间复杂度分别为 �(log�)O(logN) 和 �(�)O(N) ,则总体时间复杂度为 �(�log�)O(NlogN) ;
def algorithm(N):
count = 0
i = N
while i > 1:
i = i / 2
for j in range(N):
count += 1
线性对数阶常出现于排序算法,例如「快速排序」、「归并排序」、「堆排序」等,其时间复杂度原理如下图所示。
示例题目
以下列举本 LeetBook 中各时间复杂度的对应示例题解,以帮助加深理解。
时间复杂度 | 示例题解 |
---|---|
�(1)O(1) | 剑指 Offer 14- I. 剪绳子、剑指 Offer 61. 扑克牌中的顺子 |
�(log�)O(logN) | 剑指 Offer 16. 数值的整数次方、剑指 Offer 53 - I. 在排序数组中查找数字 I |
�(�)O(N) | 剑指 Offer 24. 反转链表、剑指 Offer 10- I. 斐波那契数列 |
�(�log�)O(NlogN) | 剑指 Offer 45. 把数组排成最小的数、剑指 Offer 51. 数组中的逆序对 |
�(�2)O(N2) | 剑指 Offer 33. 二叉搜索树的后序遍历序列、剑指 Offer 48. 最长不含重复字符的子字符串 |
�(�!)O(N!) | 剑指 Offer 38. 字符串的排列 |
算法复杂度
空间复杂度

这些符号我都不认识,百度科普

关于阶乘的代码表达个人感觉复杂化了,阶乘,顾名思义,应该用乘法表达最为直观。
int algorithm(int N)
{
If (N <= 0) return 1;
return N * algorithm(N - 1);
}
更新:上面的代码大家不用纠结啦,和文章中描述的不是一回事,就像下面评论说的,文章讨论的是 “时间复杂度”,目的不是为了计算阶乘,而是为了表达“时间复杂度”是O(N!). 我的代码的“时间复杂度”是O(N).
这个只是当时我的一个疑惑,没想到误导部分人了。谢谢大家的指正,原评论依然留着,算是“避坑”!!!


用num遍历数组nums

哈喽,文中表示的是 阶乘复杂度,而不是阶乘运算。你的代码是直接计算 N! 阶乘,只需要 N 次相乘就可以完成,时间复杂度 O(N) ,这样和文中含义不一致。另外,如果算阶乘的话,直接 for 循环迭代相乘就可以,不用递归啦

但是这样代码时间复杂度就不再是 O(N!)了, 而是O(N)

阶乘运算和阶乘复杂度是两码事,运算只要每个数相乘即可,你这个复杂度是O(N)

这是来计算2的N次方的,自己拿个数走一遍程序就知道了。每一次递归都相当于×2。
比如N=3时,return=algorithm(2) + algorithm(2) = 2 * algorithm(2) = 2 * 2 * algorithm(1) = 2 * 2 * 2 *algorithm(0) = 2 * 2 * 2 * 1 = 8

写的太好了,感谢感谢

你这和上面的阶乘是两个东西吧 你这个是算阶乘
别人是时间复杂度为N!
你的复杂度为O(N)


C++11 的新特性,范围for语句,常用于遍历。num在每一次循环中依次等于nums中第一个数字至最后一个数。
再结合auto关键字,在遍历容器(例如vector v)的时候,用for(auto x:v)非常方便
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· 没有源码,如何修改代码逻辑?
· DeepSeek R1 简明指南:架构、训练、本地部署及硬件要求
· NetPad:一个.NET开源、跨平台的C#编辑器
· PowerShell开发游戏 · 打蜜蜂