一套图搞懂“时间复杂度”

港控/mmm° 2021-09-18 10:52 272阅读 0赞

[https://blog.csdn.net/qq\_41523096/article/details/82142747][https_blog.csdn.net_qq_41523096_article_details_82142747]

# 正文：  #

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 1]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 2]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 3]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 4]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 5]

**![640?wx\_fmt=png][640_wx_fmt_png]**

**时间复杂度的意义**

究竟什么是时间复杂度呢？让我们来想象一个场景：某一天，小灰和[大黄][Link 1]同时加入了一个公司......

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 6]

一天过后，小灰和大黄各自交付了代码，两端代码实现的功能都差不多。大黄的代码运行一次要花100毫秒，内存占用5MB。小灰的代码运行一次要花100秒，内存占用500MB。于是......

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 7]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 8]

由此可见，衡量代码的好坏，包括两个非常重要的指标：

1.运行时间；

2.占用空间。

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 9]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 10]

**![640?wx\_fmt=png][640_wx_fmt_png 1]**

**基本操作执行次数**

关于代码的基本操作执行次数，我们用四个生活中的场景，来做一下比喻：

**场景1：**给小灰一条长10寸的面包，小灰每3天吃掉1寸，那么吃掉整个面包需要几天？

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 11]

答案自然是 3 X 10 = 30天。

如果面包的长度是 N 寸呢？

此时吃掉整个面包，需要 3 X n = 3n 天。

如果用一个函数来表达这个相对时间，可以记作 T（n） = 3n。

**场景2：**给小灰一条长16寸的面包，小灰每5天吃掉面包剩余长度的一半，第一次吃掉8寸，第二次吃掉4寸，第三次吃掉2寸......那么小灰把面包吃得只剩下1寸，需要多少天呢？

这个问题翻译一下，就是数字16不断地除以2，除几次以后的结果等于1？这里要涉及到数学当中的对数，以2位底，16的对数，可以简写为log16。

因此，把面包吃得只剩下1寸，需要 5 X log16 = 5 X 4 = 20 天。

如果面包的长度是 N 寸呢？

需要 5 X logn = 5logn天，记作 T（n） = 5logn。

**场景3：**给小灰一条长10寸的面包和一个[鸡腿][Link 2]，小灰每2天吃掉一个鸡腿。那么小灰吃掉整个鸡腿需要多少天呢？

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 12]

答案自然是2天。因为只说是吃掉鸡腿，和10寸的面包没有关系 。

如果面包的长度是 N 寸呢？

无论面包有多长，吃掉鸡腿的时间仍然是2天，记作 T（n） = 2。

**场景4：**给小灰一条长10寸的面包，小灰吃掉第一个一寸需要1天时间，吃掉第二个一寸需要2天时间，吃掉第三个一寸需要3天时间.....每多吃一寸，所花的时间也多一天。那么小灰吃掉整个面包需要多少天呢？

答案是从1累加到10的总和，也就是55天。

如果面包的长度是 N 寸呢？

此时吃掉整个面包，需要 1+2+3+......+ n-1 + n = (1+n)\*n/2 = 0.5n^2 + 0.5n。

记作 T（n） = 0.5n^2 + 0.5n。

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 13]

上面所讲的是吃东西所花费的相对时间，这一思想同样适用于对程序基本操作执行次数的统计。刚才的四个场景，分别对应了程序中最常见的四种执行方式：

**场景1：**T（n） = 3n，执行次数是线性的。

1.  `void eat1(int n){`
2.  `    for(int i=0; i<n; i++){;`
3.  `        System.out.println("等待一天");`
4.  `        System.out.println("等待一天");`
5.  `        System.out.println("吃一寸面包");`
6.  `    }`
7.  `}`
8.  `vo`

**场景2：**T（n） = 5logn，执行次数是对数的。

1.  `void eat2(int n){`
2.  `   for(int i=1; i<n; i*=2){`
3.  `       System.out.println("等待一天");`
4.  `       System.out.println("等待一天");`
5.  `       System.out.println("等待一天");`
6.  `       System.out.println("等待一天");`
7.  `       System.out.println("吃一半面包");`
8.  `   }`
9.  `}`

**场景3：**T（n） = 2，执行次数是常量的。

1.  `void eat3(int n){`
2.  `   System.out.println("等待一天");`
3.  `   System.out.println("吃一个鸡腿");`
4.  `}`

**场景4：**T（n） = 0.5n^2 + 0.5n，执行次数是一个多项式。

1.  `void eat4(int n){`
2.  `   for(int i=0; i<n; i++){`
3.  `       for(int j=0; j<i; j++){`
4.  `           System.out.println("等待一天");`
5.  `       }`
6.  `       System.out.println("吃一寸面包");`
7.  `   }`
8.  `}`

**![640?wx\_fmt=png][640_wx_fmt_png 2]**

**渐进时间复杂度**

有了基本操作执行次数的函数 T（n），是否就可以分析和比较一段代码的运行时间了呢？还是有一定的困难。

比如算法A的相对时间是T（n）= 100n，算法B的相对时间是T（n）= 5n^2，这两个到底谁的运行时间更长一些？这就要看n的取值了。

所以，这时候有了渐进时间复杂度（asymptotic time complectiy）的概念，官方的定义如下：

若存在函数 f（n），使得当n趋近于无穷大时，T（n）/ f（n）的极限值为不等于零的常数，则称 f（n）是T（n）的同数量级函数。

记作 T（n）= O（f（n）），称O（f（n）） 为算法的渐进时间复杂度，简称时间复杂度。

渐进时间复杂度用大写O来表示，所以也被称为大O表示法。

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 14]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 15]

**如何推导出时间复杂度呢？有如下几个原则：**

1.  如果运行时间是常数量级，用常数1表示；
2.  只保留时间函数中的最高阶项；
3.  如果最高阶项存在，则省去最高阶项前面的系数。

**让我们回头看看刚才的四个场景。**

**场景1：**

T（n） = 3n

最高阶项为3n，省去系数3，转化的时间复杂度为：

T（n） =  O（n）

![640?wx\_fmt=png][640_wx_fmt_png 3]

**场景2：**

T（n） = 5logn

最高阶项为5logn，省去系数5，转化的时间复杂度为：

T（n） =  O（logn）

![640?wx\_fmt=png][640_wx_fmt_png 4]

**场景3：**

T（n） = 2

只有常数量级，转化的时间复杂度为：

T（n） =  O（1）

![640?wx\_fmt=png][640_wx_fmt_png 5]

**场景4：**

T（n） = 0.5n^2 + 0.5n

最高阶项为0.5n^2，省去系数0.5，转化的时间复杂度为：

T（n） =  O（n^2）

![640?wx\_fmt=png][640_wx_fmt_png 6]

这四种时间复杂度究竟谁用时更长，谁节省时间呢？稍微思考一下就可以得出结论：

O（1）< O（logn）< O（n）< O（n^2）

在编程的世界中有着[各种各样][Link 3]的算法，除了上述的四个场景，还有许多不同形式的时间复杂度，比如：

O（nlogn）, O（n^3）, O（m\*n），O（2^n），O（n！）

今后遨游在代码的海洋里，我们会陆续遇到上述时间复杂度的算法。

![640?wx\_fmt=png][640_wx_fmt_png 7]

**![640?wx\_fmt=png][640_wx_fmt_png 8]**

**时间复杂度的巨大差异**

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 16]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 17]

我们来举过一个栗子：

算法A的相对时间规模是T（n）= 100n，时间复杂度是O(n)

算法B的相对时间规模是T（n）= 5n^2，时间复杂度是O(n^2)

算法A运行在小灰家里的老旧电脑上，算法B运行在某台超级计算机上，运行速度是老旧电脑的100倍。

那么，随着输入规模 n 的增长，两种算法谁运行更快呢？

![640?wx\_fmt=png][640_wx_fmt_png 9]

从表格中可以看出，当n的值很小的时候，算法A的运行用时要远大于算法B；当n的值达到1000左右，算法A和算法B的运行时间已经接近；当n的值越来越大，达到十万、百万时，算法A的优势开始显现，算法B则越来越慢，差距越来越明显。

这就是不同时间复杂度带来的差距。

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 18]

[https_blog.csdn.net_qq_41523096_article_details_82142747]: https://blog.csdn.net/qq_41523096/article/details/82142747
[640_wx_fmt_jpeg]: /images/20210527/8c60171433764507adeded5dcd181dc0.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 1]: /images/20210527/53329fc5ef1646328a3520ba55587824.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 2]: /images/20210527/c0888b6f6f684969b70e54682d839929.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 3]: /images/20210527/5cc9e092326347ac9c32a478f9b11152.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 4]: /images/20210527/f8c273d4601d454b911d194cba9038c7.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 5]: /images/20210527/3a76bc69f1d343aaacf8e455d5743626.png?wx_fmt=jpeg
[640_wx_fmt_png]: /images/20210527/f4f2d74894a64642b79b81eae4b9eb3c.png?wx_fmt=png
[Link 1]: https://www.baidu.com/s?wd=%E5%A4%A7%E9%BB%84&tn=24004469_oem_dg&rsv_dl=gh_pl_sl_csd
[640_wx_fmt_jpeg 6]: /images/20210527/d9ea5eb036604740a046d8a52fca93ce.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 7]: /images/20210527/218c92a4a7274dd1b5a6f73e7f386ce5.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 8]: /images/20210527/f9fb7ff2820e46a5856d37195bf1a9fb.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 9]: /images/20210527/2f04a7ab45c742b6966680bd1d76967d.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 10]: /images/20210527/73a84a3e024441ea83e60aab4847ce95.png?wx_fmt=jpeg
[640_wx_fmt_png 1]: /images/20210527/0223213e51604315886f1aef7c142b64.png?wx_fmt=png
[640_wx_fmt_jpeg 11]: /images/20210527/90ecc19209ef4220bcb0f37925ade642.png?wx_fmt=jpeg
[Link 2]: https://www.baidu.com/s?wd=%E9%B8%A1%E8%85%BF&tn=24004469_oem_dg&rsv_dl=gh_pl_sl_csd
[640_wx_fmt_jpeg 12]: /images/20210527/d96feb14468341579f11d70e693aceef.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 13]: /images/20210527/12584c87c73d414da70dd0a9c5af0782.png?wx_fmt=jpeg
[640_wx_fmt_png 2]: /images/20210527/1271df98630b443d97a71bc56c8049b7.png?wx_fmt=png
[640_wx_fmt_jpeg 14]: /images/20210527/17a775a398204e71a9e31b47dd1ce5d6.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 15]: /images/20210527/bebccea449cb490c9cb274e4e23419ec.png?wx_fmt=jpeg
[640_wx_fmt_png 3]: /images/20210527/ce332d53f5f44d708e2d1bd392b85ce0.png?wx_fmt=png
[640_wx_fmt_png 4]: /images/20210527/c7cf0f68f11b459c9978f2ba0166ba63.png?wx_fmt=png
[640_wx_fmt_png 5]: /images/20210527/166bd3806d48405788492310987e9e19.png?wx_fmt=png
[640_wx_fmt_png 6]: /images/20210527/9cd032d53c0e4247bb2296b1af06ea53.png?wx_fmt=png
[Link 3]: https://www.baidu.com/s?wd=%E5%90%84%E7%A7%8D%E5%90%84%E6%A0%B7&tn=24004469_oem_dg&rsv_dl=gh_pl_sl_csd
[640_wx_fmt_png 7]: /images/20210527/4da52e534c2148549a179d65de679fb4.png?wx_fmt=png
[640_wx_fmt_png 8]: /images/20210527/09aa47c2cac843acbbf582b13c0ea8ab.png?wx_fmt=png
[640_wx_fmt_jpeg 16]: /images/20210527/bfcff0af49104755b28903b7e6ebdf5b.png?wx_fmt=jpeg
[640_wx_fmt_jpeg 17]: /images/20210527/860a93badabb4c48a883f52bda2352ea.png?wx_fmt=jpeg
[640_wx_fmt_png 9]: /images/20210527/aa66d9c6db1f4dbdb77de050e1528f68.png?wx_fmt=png
[640_wx_fmt_jpeg 18]: /images/20210527/f1e813c860eb42fe97461ab194853ba1.png?wx_fmt=jpeg