一、引言
一个算法是由控制结构(顺序、分支和循环3种)和原操作(指固有数据类型的操作)构成的,则算法时间取决于两者的综合效果。为了便于比较同一问题的不同算法,通常的做法是:从算法中选取一种对于所研究的问题来说的基本操作的原操作,以该基本操作重复执行的次数作为算法的时间量度。
例如:
for(i=1;i<=n;i++) { for(j=1;j<=n;j++) { c[i][j] = 0; for(k=1;k<=n;k++) { c[i][j] += a[i][k]*b[k][j]; } } }
在两个N*N矩阵相乘的算法中,乘法运算是矩阵相乘问题的基本操作。整个算法的执行时间与该基本操作重复执行的次数n^3成正比,记做
T(n) = O(n^3);
一般情况下,算法中基本操作重复执行的次数是问题规模n的某个函数f(n),算法的时间量度记作
T(n) = O(f(n));
它表示随着问题规模n的增大,算法执行时间的增长率和f(n)的增长率相同,称作算法的渐近时间复杂度,简称时间复杂度。
大多数情况下,问题基本操作的原操作是最深层循环内的语句中的原操作,它的执行次数和包含它的语句的频度相同。语句的频度指的是该语句重复执行的次数,例如
1、{a++;s=0;} 2、for(i=1;i<=n;i++){a++;s+=x;} 3、for(j=1;j<=n;j++) { for(k=1;k<=n;k++) { a++;s+=x; } }
这三个程序的时间复杂度分别为O(1)、O(n)和O(n^2),分别成为常量阶、线性阶、平方阶。