一个算法花费的时间与算法中语句执行次数成正比，哪个算法中语句执行次数多，它花费的时间就多。一个算法中语句的执行次数称为语句频度或时间频度。记为T(n).
//比如计算1到100所有数字之和，我们设计俩种算法： int count = 0; int end = 100; //该算法中使用了for循环，循环了100+1(最后一次判断), 时间频度为T(100)=100+1, 即T(n)=n+1 for(int i=1; i<=end; i++){ count+=i; } //而如果我们使用公式来计算，只需执行一次即可得到结果，时间频度为T(100)=1, 即T(n)=1 count = (1+end)*end/2
时间复杂度
在计算机科学中，时间复杂性，又称时间复杂度，算法的时间复杂度是一个函数，它定性描述该算法的运行时间。这是一个代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述，不包括这个函数的低阶项和首项系数。使用这种方式时，时间复杂度可被称为是渐近的，亦即考察输入值大小趋近无穷时的情况。
大O符号
大O符号（Big O notation）是用于描述函数渐进行为的数学符号。更确切地说，它是用另一个（通常更简单的）函数来描述一个函数数量级的渐近上界。在数学中，它一般用来刻画被截断的无穷级数尤其是渐近级数的剩余项；在计算机科学中，它在分析算法复杂性的方面非常有用。
常数项可忽略
如下图, 2n+20和2n 、 3n+10和3n ，随着n值的增大，执行曲线无限接近，这时我们基本可忽略掉常数项：20、10
低次项可忽略
如下图，2n^2+3n+10和2n^2、n^2+5n+20和n^2，随着n值的增大，执行曲线无限接近，这时我们基本可以忽略掉低次项和常数项：3n+10、5n+20
系数可忽略
如下图, 3n^2+2n和5n^2+7n 随着n值的增大，执行曲线无限接近，这时我们基本可以忽略掉低次项：2n、5n，和系数：3、5
但是要注意的是，如果n的指数大于2时，它们的系数会对结果影响较大，如下图的 n^3+5n和6^3+4n，这种情况则不可以忽略系数
所以我们可以把时间频度T(n)=2n^2+3n+10忽略掉常数、低次项和系数，记成时间复杂度O(n^2)
常见的时间复杂度
-
常数阶O(1)
//无论代码执行了多少行，参数有多大，只要执行次数没有随着输入参数的变化而变化，那它的时间复杂度就是 O(1) int i = 1; int j = 2; ++i; j++; int m = i+j;
-
对数阶O(log2n)
//在while循环中，每循环一次i都会乘于2，当乘到x次时，i>n则退出循环，,所以while内的代码会执行x次，即i^x>n，又因为i每次的乘数是2即底数为2，所以它的时间复杂度是 (log2n), 如果乘数是3则是O(log3n) int i = 1; while(i<n){ i = i * 2; }
-
线性阶O(n)
//在for循环中，j=i会被执行n次，所以它的时间复杂度为O(n) int j = 0; for(int i=1; i<=n; i++){ j = i; }
-
线性对数阶O(nlog2n)
//线性对数对数阶则是将对数阶的代码再循环执行n遍，如果i的乘数为2,则时间复杂度为O(nlog2n) for(int m=1; m<=n; m++){ int i = 1; while(i<n){ i = i * 2; } }
-
平方阶O(n^2)
//平方阶则是将线性阶再循环执行n遍，记总共执行了n*n=n^2，所以它的时间复杂度为O(n^2) int num = 0; for(int i=1; i<=n; i++){ for(int j=1; j<=n; j++){ num = i+j; } }
-
立方阶O(n^3)
-
k次方阶O(n^k)
//立方阶和k次方阶参考平方阶，原理是一样的
-
指数阶O(2^n)
//因为时间复杂度为0(2^n)的算法开销过大，不推荐使用时间复杂度为0(2^n)的算法
平均时间复杂度和最坏时间复杂度
-
平均时间复杂度是指所有可能的输入实例均以等概率出现的情况下，该算法的运行时间。
-
最坏情况下的时间复杂度称最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。 这样做的原因是：最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限，这就保证了算法的运行时间不会比最坏情况更长。
-
平均时间复杂度和最坏时间复杂度是否一致，和算 法有关(如图，以排序算法为例)。
空间复杂度
-
类似于时间复杂度的讨论，一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间，它也是问题规模n的函数。
-
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。有的算法需要占用的临时工作单元数与解决问题的规模n有关，它随着n的增大而增大，当n较大时，将占用较多的存储单元，例如快速排序和归并排序算法就属于这种情况
-
在做算法分析时，主要讨论的是时间复杂度。从用户使用体验上看，更看重的程序执行的速度。一些缓存产品(redis, memcache)和算法(基数排序)本质就是用空间换时间.
翻译 朗读 复制 正在查询，请稍候…… 重试 朗读 复制 复制 朗读 复制 via 谷歌翻译（国内）译