数据结构时间复杂度的计算

数据结构时间复杂度的计算

for(i=1;i<=n;i++)

for(j=1;j<=i;j++)

for(k=1;k<=j;k++)

x++;

它的时间复杂度是多少？

自己计算了一下，数学公式忘得差不多了，郁闷；

（1）时间复杂性是什么？

时间复杂性就是原子操作数，最里面的循环每次执行j次，中间循环每次执行

a[i]=1+2+3+...+i=i*(i+1)/2次，所以总的时间复杂性=a[1]+...+a[i]+..+a[n];

a[1]+...+a[i]+..+a[n]

=1+(1+2)+(1+2+3)+...+(1+2+3+...+n)

=1*n+2*(n-1)+3*(n-2)+...+n*(n-(n-1))

=n+2n+3n+...+n*n-(2*1+3*2+4*3+...+n*(n-1))

=n(1+2+...+n)-(2*(2-1)+3*(3-1)+4*(4-1)+...+n*(n-1))

=n(n(n+1))/2-[(2*2+3*3+...+n*n)-(2+3+4+...+n)]

=n(n(n+1))/2-[(1*1+2*2+3*3+...+n*n)-(1+2+3+4+...+n)]

=n(n(n+1))/2-n(n+1)(2n+1)/6+n(n+1)/2

所以最后结果是O(n^3)。

【转】时间复杂度的计算

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，更让许多同学复习起来无从下手，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：常数阶O(1)、对数阶O(log2n)、线性阶O(n)、线性对数阶O(nlog2n)、平方阶O(n^2)、立方阶O(n^3)、k次方阶O(n^k)、指数阶O(2^n)。

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

{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)*(y+1))

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。

-----------------------------------------------------------

1.1大O表示法

上学的时候就学习了大O表示法表示一个算法的效率，也大概明白怎么回事，知道如果没有循环的一段程序的复杂度是常数，一层循环的复杂度是O(n),两层循环的复杂度是O(n^2)?（我用^2表示平方，同理^3表示立方）。但是一直对于严格的定义和用法稀里糊涂。

1.1.1定义

设一个程序的时间复杂度用一个函数T(n)来表示，对于一个查找算法，如下：

int seqsearch(int a[],const int n,const int x)

{

int i=0;

for(;a[i]!=x&&i

if(i==n)return-1;

else return i;

}这个程序是将输入的数值顺序地与数组中地元素逐个比较，找出与之相等地元素。

在第一个元素就找到需要比较一次，在第二个元素找到需要比较2次，……，在第n个元素找到需要比较n次。对于有n个元素的数组，如果每个元素被找到的概率相等，那么查找成功的平均比较次数

为:

f(n)=1/n(n+(n-1)+(n-2)+...+1)=(n+1)/2=O(n)

这就是传说中的大O函数的原始定义。

1.1.2用大O来表述

要全面分析一个算法，需要考虑算法在最坏和最好的情况下的时间代价，和在平均情况下的时间代价。对于最坏情况，采用大O表示法的一般提法（注意，这里用的是“一般提法”）是：当且仅当存在正整数c和n0,使得T(n)<=c*f(n)对于所有的n>=n0都成立。则称该算法的渐进时间复杂度为T(n)=O(f(n))。这个应该是高等数学里面的第一章极限里面的知识。这里f(n)=(n+1)/2,那么c*f(n)也就是一个一次函数。

对于对数级，我们用大O记法记为O(log2N)就可以了。

1.1.3加法规则

T(n,m)=T1(n)+T2(n)=O(max(f(n),g(m))