时间复杂度的计算

转自：http://blog.csdn.net/flyyyri/article/details/5154618

 

      1. 算法复杂度分为 时间复杂度和空间复杂度。
　　作用： 时间复杂度是度量算法执行的时间长短；而空间复杂度是度量算法所需存储空间的大小。
　　2. 一般情况下，算法的基本操作重复执行的次数是模块n的某一个函数f（n），因此，算法的时间复杂度记做：T（n）=O（f（n））
　　分析：随着模块n的增大，算法执行的时间的增长率和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。
　　3. 在计算时间复杂度的时候，先找出算法的基本操作，然后根据相应的各语句确定它的执行次数，再找出T（n）的同数量级（它的同数量级有以下：1，Log2n ，n ，nLog2n ，n的平方，n的三次方，2的n次方，n！），找出后，f（n）=该数量级，若T(n)/f(n)求极限可得到一常数c，则时间复杂度T（n）=O（f（n））

 

　　例：算法：

　　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的平方 次

　　            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的三次方 次

　　     } 

　　}

　　则有 T（n）= n的平方+n的三次方，根据上面括号里的同数量级，我们可以确定 n的三次方 为T（n）的同数量级

　　则有f（n）= n的三次方，然后根据T（n）/f（n）求极限可得到常数c

　　则该算法的 时间复杂度：T（n）=O（n的三次方）

 

 

[转]算法复杂度的计算

　　算法复杂度是在《数据结构》这门课程的第一章里出现的，因为它稍微涉及到一些数学问题，所以很多同学感觉很难，加上这个概念也不是那么具体，更让许多同学学起来无从下手，下面我们就这个问题给各位考生进行分析。

　　首先了解一下几个概念。一个是时间复杂度，一个是渐近时间复杂度。前者是某个算法的时间耗费，它是该算法所求解问题规模n的函数，而后者是指当问题规模趋向无穷大时，该算法时间复杂度的数量级。

　　当我们评价一个算法的时间性能时，主要标准就是算法的渐近时间复杂度，因此，在算法分析时，往往对两者不予区分，经常是将渐近时间复杂度T(n)=O(f(n))简称为时间复杂度，其中的f(n)一般是算法中频度最大的语句频度。

　　此外，算法中语句的频度不仅与问题规模有关，还与输入实例中各元素的取值相关。但是我们总是考虑在最坏的情况下的时间复杂度。以保证算法的运行时间不会比它更长。

　　常见的时间复杂度，按数量级递增排列依次为：

　　(1)常数阶O(1)        　　　　{Hash表的查找}

　　(2)对数阶O(log2n)  　　　　{二分查找}

　　(3)线性阶O(n)                    {顺序查找}

　　(4)线性对数阶O(nlog2n)　　{快速排序的平均复杂度}

　　(5)平方阶O(n^2)　　　　　 {冒泡排序}

　　(6)立方阶O(n^3)　　　　　 {求最短路径的Floyd算法}

　　(7)k次方阶O(n^k)

　　(8)指数阶O(2^n)　　　　    {汉诺塔}

 

下面我们通过例子加以说明，让大家碰到问题时知道如何去解决。
1、设三个函数f,g,h分别为 f(n)=100n^3+n^2+1000 , g(n)=25n^3+5000n^2 , h(n)=n^1.5+5000nlgn 
请判断下列关系是否成立：
（1） f(n)=O(g(n)) 
（2） g(n)=O(f(n)) 
（3） h(n)=O(n^1.5)
（4） h(n)=O(nlgn)
这里我们复习一下渐近时间复杂度的表示法T(n)=O(f(n))，这里的"O"是数学符号，它的严格定义是"若T(n)和f(n)是定义在正整数集合上的 两个函数，则T(n)=O(f(n))表示存在正的常数C和n0 ,使得当n≥n0时都满足0≤T(n)≤C?f(n)。"用容易理解的话说就是这两个函数当整型自变量n趋向于无穷大时，两者的比值是一个不等于0的常 数。这么一来，就好计算了吧。

（1）成立。题中由于两个函数的最高次项都是n^3,因此当n→∞时，两个函数的比值是一个常数，所以这个关系式是成立的。
（2）成立。与上同理。
（3）成立。与上同理。
（4）不成立。由于当n→∞时n^1.5比nlgn递增的快，所以h(n)与nlgn的比值不是常数，故不成立。

 

2、设n为正整数，利用大"O"记号，将下列程序段的执行时间表示为n的函数。
(1) i=1; k=0 

while(i<n)
{ 
    k=k+10*i;i++;
} 

 解答：T(n)=n-1， T(n)=O(n)， 这个函数是按线性阶递增的。

(2) x=n; // n>1 

while (x>=(y+1)^2)
    y++;

 解答：T(n)=n1/2 ，T(n)=O(n1/2)， 最坏的情况是y=0，那么循环的次数是n1/2次，这是一个按平方根阶递增的函数。

(3) x=91; y=100; 

while(y>0)
    if(x>100){
        x=x-10;
　　　　  y--;
    }else 
        x++;                

解答： T(n)=O(1)， 这个程序看起来有点吓人，总共循环运行了1000次，但是我们看到n没有? 没。这段程序的运行是和n无关的，就算它再循环一万年，我们也不管他，只是一个常数阶的函数。

规则：有如下复杂度关系

c < log2N < n < n * Log2N < n^2 < n^3 < 2^n < 3^n < n!

其中c是一个常量，如果一个算法的复杂度为c 、 log2N 、n 、 n*log2N ,那么这个算法时间效率比较高 ，如果是 2^n , 3^n ,n!，那么稍微大一些的n就会令这个算法不能动了，居于中间的几个则差强人意。

我们常需要描述特定算法相对于 n(输入元素的个数 )需要做的工作量。在一组未排序的数据中检索，所需的时间与 n成正比；如果是对排序数据用二分检索，花费的时间正比于logn。排序时间可能正比于n^2或者nlogn。

我们希望能够比较算法的运行时间和空间要求，并使这种比较能与程序设计语言、编译系统、机器结构、处理器的速度及系统的负载等复杂因素无关。

为了这个目的，人们提出了一种标准的记法，称为“大O记法”.在这种描述中使用的基本参数是 n，即问题实例的规模，把复杂性或运行时间表达为n的函数 。这里的“O”表示量级 (order)，比如说“二分检索是 O(logn)的”,也就是说它需要“通过logn量级的步骤去检索一个规模为n的数组”记法O ( f(n) )表示当n增大时，运行时间至多将以正比于f(n)的速度增长。这种渐进估计对算法的理论分析和大致比较是非常有价值的，但在实践中细节也可能造成差异。例如，一个低附加代价的O(n2)算法在n较小的情况下可能比一个高附加代价的O(nlogn)算法运行得更快。当然，随着n足够大以后，具有较慢上升函数的算法必然工作得更快。

Temp=i;i=j;j=temp;                     以上三条单个语句的频度均为1，该程序段的执行时间是一个与问题规模n无关的常数。

算法的时间复杂度为常数阶，记作T(n)=O(1)。如果算法的执行时 间不随着问题规模n的增加而增长，即使算法中有上千条语句，其执行时间也不过是一个较大的常数。此类算法的时间复杂度是O(1)。

 

 

例 2.1. 交换i和j的内容

 

1） sum=0；             （一次）
2） for(i=1;i<=n;i++)   （n次 ）
3）    for(j=1;j<=n;j++) （n^2次 ）
4）         sum++；       （n^2次 ）

解：T(n)=2n^2+n+1 =O(n^2)

 

例 2.2.

for (i=1;i<n;i++)...{ y=y+1;        ① for (j=0;j<=(2*n);j++)    x++;           ②}          解：语句1的频度是n-1, 语句2的频度是(n-1)*(2n+1)=2n^2-n-1.
f(n)=2n^2-n-1+(n-1)=2n^2-2,该程序的时间复杂度T(n)=O(n^2).

 

例 2.3.

a=0;b=1;      ①
for (i=1;i<=n;i++)　②
...{
  s=a+b;　　　　③　　
  b=a;　　　　　④
  a=s;　　　　　⑤
}

解：语句1的频度：2,        语句2的频度： n,        语句3的频度： n-1,        语句4的频度：n-1,    
语句5的频度：n-1,                                  则：T（n)=2+n+3(n-1)=4n-1=O(n).

 

例 2.4.

 

i=1;       ①
while (i<=n)
i=i*2; ②

解：语句1的频度是1,        设语句2的频度是f(n),        则：2^f(n)<=n;f(n)<=log2n    
取最大值f(n)= log2n,则该程序的时间复杂度T(n)=O(log2n )

 

例 2.5.

for(i=0;i<n;i++)...{  for(j=0;j<i;j++)  ...{    for(k=0;k<j;k++)      x=x+2;  }}解：当i=m, j=k的时候,内层循环的次数为k当i=m时, j 可以取 0,1,...,m-1 ,  所以这里最内循环共进行了0+1+...+m-1=(m-1)m/2次所以,i从0取到n, 则循环共进行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以时间复杂度为O(n^3).我们还应该区分算法的最坏情况的行为和期望行为。如快速排序的最坏情况运行时间是O(n^2)，但期望时间是O(nlogn)。通过每次都仔细地选择基准值，我们有可能把平方情况 (即O(n^2)情况)的概率减小到几乎等于0。在实际中，精心实现的快速排序一般都能以(O(nlogn)时间运行。

 

 

 

　　下面是一些常用的记法：

　　访问数组中的元素是常数时间操作，或说O(1)操作。一个算法如果能在每个步骤去掉一半数据元素，如二分检索，通常它就取O(logn)时间。用strcmp比较两个具有n个字符的串需要O(n)时间 。常规的矩阵乘算法是O(n^3)，因为算出每个元素都需要将n对元素相乘并加到一起，所有元素的个数是n^2。

　　指数时间算法通常来源于需要求出所有可能结果。例如，n个元 素的集合共有2n个子集,所以要求出所有子集的算法将是O(2n)的。指数算法一般说来是太复杂了，除非n的值非常小，因为，在这个问题中增加一个元素就导致运行时间加倍。不幸的是，确实有许多问题 (如著名 的“巡回售货员问题”)，到目前为止找到的算法都是指数的。如果我们真的遇到这种情况， 通常应该用寻找近似最佳结果的算法替代之。