第五讲 时间复杂度和空间复杂度3

算法分类,时间复杂度,空间复杂度,优化算法算法 今天给⼤家带来⼀篇关于算法排序的分类,算法的时间复杂度,空间复杂度,还有怎么去优化算法的⽂章,喜欢的话,可以关注,有什么问题,可以评论区提问,可以与我私信,有什么好的意见,欢迎提出.前⾔: 算法的复杂度分为时间复杂度与空间复杂度,时间复杂度指执⾏算法需要需要的计算⼯作量,空间复杂度值执⾏算法需要的内存量,可能在运⾏⼀些⼩数据的时候,⼤家体会不到算法的时间与空间带来的体验. 优化算法就是将算法的时间优化到最快,将空间优化到最⼩,假如你写的mod能够将百度游览器的搜索时间提升0.5秒,那都是特别厉害的成绩.本章内容: 1,算法有哪些 2,时间复杂度,空间复杂度 3,优化算法 4,算法实例⼀,算法有哪些 常见的算法有冒泡排序,快排,归并,希尔,插⼊,⼆分法,选择排序,⼴度优先搜索,贪婪算法,这些都是新⼿⼊门必须要了解的,你可以不会,但是你必须要知道他是怎么做到的,原理是什么,今天就给⼤家讲⼀讲我们常⽤的冒泡排序,选择排序,这两个排序算法,1,冒泡排序(Bubble Sort), 为什么叫他冒泡排序呢? 因为他就像是从海底往海⾯升起的⽓泡⼀样,从⼩到⼤,将要排序的数从⼩到⼤排序,冒泡的原理: 他会⼀次⽐较两个数字,如果他们的顺序错误,就将其调换位置,如果排序正确的话,就⽐较下⼀个,然后重复的进⾏,直到⽐较完毕,这个算法的名字也是这样由来的,越⼤的数字,就会慢慢的'浮'到最顶端. 好了该上代码了,下⾯就是冒泡排序的代码,冒泡相对于其他的排序算法来说,⽐较的简单,⽐较好理解,运算起来也是⽐较迅速的,⽐较稳定,在⼯作中也会经常⽤到,推荐使⽤# 冒泡排序def bubble_sort(alist):n = len(alist)# 循环遍历，找到当前列表中最⼤的数值for i in range(n-1):# 遍历⽆序序列for j in range(n-1-i):# 判断当前节点是否⼤于后续节点，如果⼤于后续节点则对调if alist[j] > alist[j+1]:alist[j], alist[j+1] = alist[j+1], alist[j]if__name__ == '__main__':alist = [12,34,21,56,78,90,87,65,43,21]bubble_sort(alist)print(alist)# 最坏时间复杂度: O(n^2)# 最优时间复杂度: O(n)# # 算法稳定性:稳定2,选择排序(selection sort) 选择排序(selection sort)是⼀种简单直观的排序⽅法, 他的原理是在要排序的数列中找到最⼤或者最⼩的元素,放在列表的起始位置,然后从其他⾥找到第⼆⼤,然后第三⼤,依次排序,依次类,直到排完, 选择排序的优点是数据移动, 在排序中,每个元素交换时,⾄少有⼀个元素移动,因此N个元素进⾏排序,就会移动 1--N 次,在所有依靠移动元素来排序的算法中,选择排序是⽐较优秀的⼀种选择排序时间复杂度与稳定性:最优时间复杂度: O(n2)最坏时间复杂度:O(n2)算法稳定性 :不稳定(考虑每次升序选择最⼤的时候)# if alist[j] < alist[min_index]:# min_index = j## # 判断min_index索引是否相同,不相同，做数值交换# if i != min_index:# alist[i],alist[min_index] = alist[min_index],alist[i]### if __name__ == '__main__':# alist = [12,34,56,78,90,87,65,43,21]# # alist = [1,2,3,4,5,6,7,8,9]# select_sort(alist)# print(alist)# O(n^2)# 不稳定def select_sort(alist):"""选择排序"""n = len(alist)for i in range(n - 1):min_index = i # 最⼩值位置索引、下标for j in range(i+1, n):if alist[j] < alist[min_index]:min_index = j# 判断min_index ,如果和初始值不相同，作数值交换if min_index != i:alist[i], alist[min_index] = alist[min_index],alist[i]if__name__ == '__main__':alist = [8,10,15,30,25,90,66,2,999]select_sort(alist)print(alist)这是⼀些算法的时间复杂度与稳定性时间复杂度,空间复杂度 接下来就要来说说时间复杂度与空间复杂度: 时间复杂度就是假如你泡茶,从开始泡,到你喝完茶,⼀共⽤了多长时间,你中间要执⾏很多步骤,取茶叶,烧⽔,上厕所,接电话,这些都是要花时间的,在算法中,时间复杂度分为 O(1)最快 , O(nn)最慢,O(1) < O(logn) <O(n)<O(n2)<O(n3)<O(2n) <O(nn) ⼀般游览器的速度都在O(n),做我们这⼀⾏,要注意客户体验,如果你程序的运⾏特别慢,估计别⼈来⼀次,以后再也不会来了下⾯给⼤家找了张如何计算时间复杂度的图⽚: 空间复杂度(space complexity) ,执⾏时所需要占的储存空间,记做 s(n)=O(f(n)),其中n是为算法的⼤⼩, 空间复杂度绝对是效率的杀⼿,曾经看过⼀遍⽤插⼊算法的代码,来解释空间复杂度的,觉得特别厉害,我就⽐较low了,只能给⼤家简单的总结⼀下我遇到的空间复杂度了, ⼀般来说,算法的空间复杂度值得是辅助空间,⽐如:⼀组数字,时间复杂度O(n),⼆维数组a[n][m] :那么他的空间复杂度就是O(n*m) ,因为变量的内存是⾃动分配的,第⼀个的定义是循环⾥⾯的,所以是n*O(1) ,如果第⼆个循环在外边,那么就是1*O(1) ,这⾥也只是⼀个了解性的东西,如果你的⼯作中很少⽤到,那么没有必要深究,因为⽤的真的很少优化算法这边带来了代码,你们在复制下来了python上运⾏⼀下,看⼀下⽤的时间与不同, ⾃然就懂了,这是未优化的算法''已知有a,b,c三个数,都是0-1000之内的数,且: a+b+c=1000 ⽽且 a**2+b**2=c**2 ,求a,b,c⼀共有多少种组合'''# 在这⾥加⼀个时间模块,待会好计算出结果import time# 记录开头时间start_time=time.time()# 把a,b,c循环出来for a in range(1001):for b in range(1001):for c in range(100):# 判断他主公式第⼀次,并未优化if a+b+c==1000 and a**2 + b**2 == c**2 :# 打印print("a=" ,a)print("b=" ,b)print("c=" ,c)else:passstop_time = time.time()print('⼀共耗时: %f'%(stop_time-start_time))# ⼀共耗时 156.875001秒这是第⼀次优化import time# 记录开头时间start_time=time.time()# 把a,b,c循环出来for a in range(1001):# 这⾥改成1001-a之后,他就不⽤再循环b了for b in range(1001-a):for c in range(100):# 判断他主公式第⼆次,优化了b,if a+b+c==1000 and a**2 + b**2 == c**2 :print("a=" ,a)print("b=" ,b)print("c=" ,c)else:passstop_time = time.time()print('⼀共耗时: %f'%(stop_time-start_time))# ⼀共耗时 50.557070秒最后⼀次优化import time# 记录开头时间start_time=time.time()# 把a,b,c循环出来for a in range(1001):for b in range(1001-a):c=1000 - a - b# 判断他主公式第三次,优化了b和cif a+b+c==1000 and a**2 + b**2 == c**2 :print("a=" ,a)print("b=" ,b)print("c=" ,c)else:passstop_time = time.time()print('⼀共耗时: %f'%(stop_time-start_time))# ⼀共耗时 2.551449秒从156秒优化到l2秒, 基本运算总数 * 基本运算耗时 = 运算时间这之间的耗时和你的机器有着很⼤的关系今天是12⽉30⽇,明天就要跨年了,祝⼤家2019年事业有成,⼯资直线上升,早⽇脱单,。

相关知识介绍（所有定义只为帮助读者理解相关概念，并非严格定义）：1、稳定排序和非稳定排序简单地说就是所有相等的数经过某种排序方法后，仍能保持它们在排序之前的相对次序，我们就说这种排序方法是稳定的。

反之，就是非稳定的。

比如：一组数排序前是a1,a2,a3,a4,a5，其中a2=a4，经过某种排序后为a1,a2,a4,a3,a5，则我们说这种排序是稳定的，因为a2排序前在a4的前面，排序后它还是在a4的前面。

假如变成a1,a4, a2,a3,a5就不是稳定的了。

2、内排序和外排序在排序过程中，所有需要排序的数都在内存，并在内存中调整它们的存储顺序，称为内排序；在排序过程中，只有部分数被调入内存，并借助内存调整数在外存中的存放顺序排序方法称为外排序。

3、算法的时间复杂度和空间复杂度所谓算法的时间复杂度，是指执行算法所需要的计算工作量。

一个算法的空间复杂度，一般是指执行这个算法所需要的内存空间。

功能：选择排序输入：数组名称（也就是数组首地址）、数组中元素个数算法思想简单描述：在要排序的一组数中，选出最小的一个数与第一个位置的数交换；然后在剩下的数当中再找最小的与第二个位置的数交换，如此循环到倒数第二个数和最后一个数比较为止。

选择排序是不稳定的。

算法复杂度O(n2)--[n的平方void select_sort(int *x, int n){int i, j, min, t;for (i=0; i<n-1; i++) /*要选择的次数：0~n-2共n-1次*/{min = i; /*假设当前下标为i的数最小，比较后再调整*/for (j=i+1; j<n; j++)/*循环找出最小的数的下标是哪个*/{if (*(x+j) < *(x+min)){min = j; /*如果后面的数比前面的小，则记下它的下标*/}}if (min != i) /*如果min在循环中改变了，就需要交换数据*/{t = *(x+i);*(x+i) = *(x+min);*(x+min) = t;}}/*功能：直接插入排序输入：数组名称（也就是数组首地址）、数组中元素个数算法思想简单描述：在要排序的一组数中，假设前面(n-1) [n>=2] 个数已经是排好顺序的，现在要把第n个数插到前面的有序数中，使得这n个数也是排好顺序的。

时间复杂度分析及常用算法复杂度排名随着计算机技术的不断发展，人们对于算法的效率也提出了更高的要求。

好的算法可以大大地提高程序的运行效率，而坏的算法则会导致程序运行缓慢，浪费更多的时间和资源。

因此，在实际的开发中，需要对算法的效率进行评估和分析。

其中，时间复杂度是评估算法效率的重要指标之一，接下来就让我们来探讨一下时间复杂度分析及常用算法复杂度排名。

一、时间复杂度时间复杂度，简称时间复杂度，是指在算法中用来衡量算法运行时间大小的量。

通常情况下，时间复杂度用 O(n) 来表示，其中n 表示输入数据规模的大小。

由于常数系数和低次项不会对时间复杂度的大致表示产生影响，因此，时间复杂度的精确算法往往会被简化为最高次项的时间复杂度，即 O(n)。

二、时间复杂度的分析时间复杂度可以通过算法中的循环次数来分析。

一般来说，算法中的循环分为两种情况：一种是 for 循环，一种是 while 循环。

因为 for 循环的循环次数一般是固定的，因此可以通过循环次数来估算时间复杂度；而 while 循环的循环次数取决于输入数据的大小，因此时间复杂度的分析需要基于输入数据的规模进行分析和推导。

三、时间复杂度的常见表示法在实际的算法分析中，常常用到以下几种时间复杂度表示法：常数阶 O(1)、对数阶 O(logn)、线性阶 O(n)、线性对数阶 O(nlogn)、平方阶 O(n^2)、立方阶 O(n^3)、指数阶 O(2^n) 等。

常数阶 O(1)：表示算法的时间不随着输入规模的增加而增加，即不论输入数据的大小，算法的运行时间都是固定的。

例如，最好的情况下，二分查找的时间复杂度即为 O(1)。

对数阶 O(logn)：表示算法的时间复杂度随着输入规模的增加而增加，但增长比较缓慢，即随着输入规模的每增加一倍，算法所需的运行时间大致增加一个常数。

例如，二分查找的时间复杂度即为 O(logn)。

线性阶 O(n)：表示算法的时间复杂度随着输入规模的增加而增加，增长速度与输入规模成线性比例关系。

算法的时间复杂度和空间复杂度的关系
时间复杂度和空间复杂度是算法分析中最重要的概念，它们可以帮助我们评估算法的性能。

时间复杂度描述了算法执行所需的时间，而空间复杂度描述了算法执行所需的内存空间。

时间复杂度是指算法执行所需的时间，它可以用大O表示法来表示，其中O(n)表示算法
的时间复杂度为n，即算法的执行时间与输入数据的大小成正比。

一般来说，算法的时间
复杂度越低，它的执行效率就越高。

空间复杂度是指算法执行所需的内存空间，它也可以用大O表示法来表示，其中O(n)表
示算法的空间复杂度为n，即算法所需的内存空间与输入数据的大小成正比。

一般来说，
算法的空间复杂度越低，它的内存使用效率就越高。

时间复杂度和空间复杂度之间存在一定的关系，即算法的时间复杂度越低，它的空间复杂度也越低。

这是因为算法的时间复杂度越低，它所需的计算量就越少，因此它所需的内存
空间也就越少。

反之，算法的时间复杂度越高，它所需的计算量就越多，因此它所需的内
存空间也就越多。

因此，我们可以从算法的时间复杂度来推断它的空间复杂度，从而更好地评估算法的性能。

但是，有时候算法的时间复杂度和空间复杂度可能不是成正比的，因此我们还需要对算法
的空间复杂度进行具体的分析，以便更好地评估算法的性能。

总之，时间复杂度和空间复杂度是算法分析中最重要的概念，它们可以帮助我们评估算法的性能。

算法的时间复杂度越低，它的空间复杂度也越低，但有时候它们之间的关系可能
不是成正比的，因此我们还需要对算法的空间复杂度进行具体的分析，以便更好地评估算
法的性能。

常⽤排序算法的时间复杂度和空间复杂度以上快速排序和归并排序的空间复杂度不正确没有的参考图1，以图2为准（对，就是懒得重新画图了）排序法最差时间分析平均时间复杂度稳定度空间复杂度冒泡排序O(n2)O(n2)稳定O(1)快速排序O(n2)O(n*log2n)不稳定O(log2n)~O(n)选择排序O(n2)O(n2)稳定O(1)⼆叉树排O(n2)O(n*log2n)不稳定O(n)序插⼊排序O(n2)O(n2)稳定O(1)堆排序O(n*log2n)O(n*log2n)不稳定O(1)希尔排序O O不稳定O(1)1.插⼊排序由N-1趟排序组成，对于p=1到p=N-1趟，插⼊排序保证从位置0到位置p上的元素为已排序状态。

时间复杂度：O(N^2)代码void InsertionSort(ElementType A[],int N){int j,p;ElementType Tmp;for(p=1;p<N;p++){Tmp=A[j];//把A[j]保存下来，因为它要被插⼊到前⾯的某个位置去for(j=p;j>0&&A[j-1]>Tmp;j--)//⼤于A[j]的元素逐个后移{A[j]=A[j-1];}A[j]=Tmp;}}2.希尔排序希尔排序使⽤⼀个序列h1，h2，h3，ht，叫做增量排序。

在使⽤增量hk的⼀趟排序之后，对于每个i我们有A[i]<A[i+hk]，所有相隔hk的元素被排序。

时间复杂度：O(N^(1+a))，其中0<a<1。

//代码不太好理解，使⽤了3层循环void ShellSort(ElementType A[],int N){int j,p,Increment;ElementType Tmp;for(Increment=N/2;Increment>0;Increment/=2){for(p=Increment;p<N;p++){Tmp=A[p];for(j=p;j>=Increment;j-=Increment){if(A[j]<A[j-Increment])A[j]=A[j-Increment];elsebreak;}A[j]=Tmp;}}}3. 堆排序思想：建⽴⼩顶堆，然后执⾏N次deleteMin操作。

欧几里得算法的时间复杂度和空间复杂度下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。

文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢！本店铺为大家提供各种类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，想了解不同资料格式和写法，敬请关注！Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!欧几里得算法的时间复杂度和空间复杂度简介欧几里得算法，也称为辗转相除法，是一种用于计算两个非负整数的最大公约数的算法。

时间复杂度详解时间复杂度详解什么是时间复杂度•时间复杂度是一种衡量算法执行效率的方式。

•它表示算法的运行时间与输入大小的关系，为我们提供了衡量算法性能的指标。

时间复杂度的表示•时间复杂度使用大O符号（O）来表示。

•O(n)表示算法的时间复杂度与输入规模n成正比。

常见的时间复杂度•O(1)：常数时间复杂度，无论输入规模的大小，算法的执行时间都保持不变。

•O(log n)：对数时间复杂度，随着输入规模的增加，算法的执行时间逐渐增长，但增长速度很慢。

•O(n)：线性时间复杂度，算法的执行时间与输入规模n成比例增长。

•O(n log n)：线性对数时间复杂度，随着输入规模的增加，算法的执行时间逐渐增长，但增长速度比O(n)慢。

•O(n^2)：平方时间复杂度，算法的执行时间与输入规模n的平方成比例增长。

•O(2^n)：指数时间复杂度，算法的执行时间随着输入规模n的增加而急剧增长。

•O(n!)：阶乘时间复杂度，算法的执行时间随着输入规模n的增加而急剧增长。

如何计算时间复杂度•首先，确定算法的基本操作。

•其次，根据算法的基本操作，分析每个操作的时间复杂度。

•最后，根据每个操作的时间复杂度，确定整个算法的时间复杂度。

如何选择合适的算法•在设计算法时，我们应该选择时间复杂度低的算法。

•当输入规模较小时，可以选用时间复杂度较高但简单易懂的算法。

•当输入规模较大时，应该尽量选择时间复杂度较低的算法。

总结•时间复杂度是一种衡量算法执行效率的方式，它表示算法的运行时间与输入规模的关系。

•常见的时间复杂度包括常数时间复杂度、对数时间复杂度、线性时间复杂度等。

•计算时间复杂度的步骤包括确定算法的基本操作、分析每个操作的时间复杂度以及确定整体的时间复杂度。

•在选择算法时，应该根据输入规模选择合适的时间复杂度。

参考资料：[腾讯课堂-计算机科学与技术](。

空间复杂度怎么算1.算法效率算法分析有两种:第一种是时间效率，第二种是空间效率。

时间效率叫时间复杂度，空间效率叫空间复杂度。

时间复杂度主要衡量一个算法的运行速度，空间复杂度主要衡量一个算法需要的额外空间。

在计算机发展的早期，计算机的存储容量非常小。

所以我非常关心空间的复杂性。

然而，随着计算机行业的快速发展，计算机的存储容量已经达到了很高的水平。

所以现在我们不需要特别关注一个算法的空间复杂度。

2.时间复杂度2.1时间复杂度的概念时间复杂度的定义:在计算机科学中，算法的时间复杂度是一个函数(数学中表达式未知的函数)，定量描述算法的运行时间。

理论上，一个算法执行的时间是无法计算的。

只有把你的程序放到机器上运行，你才能知道。

但是我们需要在电脑上测试每一个算法吗？可以在电脑上测试，但是很麻烦，于是就有了时间复杂度分析法。

算法花费的时间与其语句的执行次数成正比，算法中基本运算的执行次数就是算法的时间复杂度。

3.空间复杂度空间复杂度是对一个算法在运行过程中临时占用存储空间大小量度。

空间复杂度不是程序占用了多少bytes的空间，因为这个也没太大意义，所以空间复杂度算的是变量的个数。

空间复杂度计算规则基本跟实践复杂度类似，也使用大O渐进表示法。

4.大O渐进表示法•大O符号（Big O notation）：是用于描述函数渐进行为的数学符号。

推导大O阶方法：• 1.用常数1替换运行时的所有加法常数。

• 2.在操作次数的修正函数中，只保留最高阶项。

•3、如果最高阶项存在且不是1，则去除与这个项目相乘的常数。

得到的结果就是大O阶。

另外有些算法的时间复杂度存在最好、平均和最坏情况：•最坏情况：任意输入规模的最大运行次数(上界) 平均情况：任意输入规模的期望运行次数•最好情况：任意输入规模的最小运行次数(下界) 例如：在一个长度为N数组中搜索一个数据x 最好情况：1次找到最坏情况：N次找到•平均情况：N/2次找到在实际中一般情况关注的是算法的最坏运行情况，所以数组中搜索数据时间复杂度为O(N)5.常见时间复杂度计算一下这个算法的时间复杂度// 请计算一下Func1基本操作执行了多少次？voidFunc1(intN){intcount=0;//两层循环嵌套外循环执行n 次，内循环执行n次，整体计算就是N*N的执行次数for(inti=0;i<N;++i){for(intj=0;j<N;++j){++count;}}//2 * N的执行次数for(intk=0;k<2*N;++k){++count;}//常数项10intM=10;while(M--){++count;}printf("%d\n",count);}精确的时间复杂度是N ^ 2 + 2 * N + 10 大O的渐进表示法时间复杂度是O(N ^ 2) 分析： 1、两层循环嵌套外循环执行n次，内循环执行n次，整体计算就是N*N 的执行次数 2、2 * N的执行次数 3、常数项10 根据前面的大o渐进表示法规则，所以最后只保留那项对执行次数影响最大的那一项，时间复杂度就是O(N ^ 2)。

如何计算时间复杂度和空间复杂度计算时间复杂度和空间复杂度是衡量算法效率的重要方法，可以通过对算法的代码进行分析和推算来得出。

时间复杂度描述了算法运行时间随输入规模增长而增长的趋势，通常用大O符号表示。

在计算时间复杂度时，我们需要关注算法中的循环、递归、条件分支等关键代码块。

以下是计算时间复杂度的一些常见方法：1.计算常数时间复杂度：如果一个算法的代码只包含固定数量的操作，不随输入规模变化，那么它的时间复杂度为O(1)。

例如，简单的赋值、比较和常量运算等操作。

2.计算线性时间复杂度：如果一个算法的代码中包含一个循环，该循环的迭代次数与输入规模n成正比，那么其时间复杂度为O(n)。

例如，遍历一个数组或者链表的操作。

3.计算平方时间复杂度：如果一个算法的代码中包含两个嵌套的循环，外层循环的迭代次数与输入规模n成正比，内层循环的迭代次数也与输入规模n成正比，那么其时间复杂度为O(n^2)。

例如，二重循环嵌套的矩阵操作。

4.计算指数时间复杂度：如果一个算法的代码中包含递归调用，且递归次数与输入规模n成正比，那么其时间复杂度可能是指数级别的，如O(2^n)。

例如，求解斐波那契数列的递归算法。

计算空间复杂度是用来衡量算法所需的额外存储空间随输入规模增长而增长的趋势。

以下是计算空间复杂度的一些常见方法：1.计算固定空间复杂度：如果一个算法的代码所需的额外存储空间不随输入规模变化，那么它的空间复杂度为O(1)。

例如，仅需要几个变量来存储中间计算结果的操作。

2.计算线性空间复杂度：如果一个算法的代码所需的额外存储空间随输入规模n成正比，那么它的空间复杂度为O(n)。

例如，需要创建一个数组或链表来存储输入数据的操作。

3.计算递归空间复杂度：如果一个算法中使用了递归调用，那么每个递归调用都需要创建一个新的函数调用栈帧，因此空间复杂度可能是O(n)，其中n是递归的深度。

例如，递归求解二叉树问题的操作。

在进行时间复杂度和空间复杂度的计算时，可以按照以下步骤进行：1.根据算法的代码，找出其中的关键代码块，例如循环、递归等。

时间的复杂度详解时间复杂度是衡量算法运行时间的一种度量方式，用大O符号（O）来表示。

它描述了算法所需的计算步骤数随问题规模的增长率。

在计算机科学中，时间复杂度主要关注的是算法在处理大规模问题时所需的时间。

为了更好地理解时间复杂度，我们需要先了解一些基本概念。

1.基本操作在算法中，基本操作是指运算的最小单位。

它们通常是赋值、比较、运算、访问数组元素等。

基本操作的数量是衡量算法运行时间的关键。

2.渐近表示法时间复杂度使用大O符号来表示，表示算法运行时间的上界。

例如，如果一个算法的时间复杂度为O(n)，意味着算法的运行时间最多是输入规模n的某个常数倍。

大O符号忽略了低阶项和常数项，只关注随问题规模增长最快的那一项。

下面我们来详细讨论几个常见的时间复杂度。

1.常数时间复杂度O(1)无论输入规模大小，常数时间复杂度的算法都具有固定的运行时间。

例如，访问数组元素或者执行一个赋值语句。

常数时间复杂度通常是最理想的情况，但在实际中很难实现。

2.线性时间复杂度O(n)线性时间复杂度表示随着输入规模n的增长，算法的运行时间也会线性增长。

例如，遍历一个数组或者链表中的所有元素。

每个元素都需要进行常数次的基本操作，所以总的时间复杂度为O(n)。

3.对数时间复杂度O(log n)对数时间复杂度通常出现在数据规模减半的情况下。

例如，在二分查找算法中，每次查找都可以将问题规模减半。

对数时间复杂度的算法是非常高效的，因为随着问题规模的增长，算法的运行时间只会以对数方式增长。

4.平方时间复杂度O(n^2)平方时间复杂度表示随着输入规模n的增长，算法的运行时间会呈平方级别增长。

例如，嵌套循环中的每次迭代都需要进行常数次的基本操作。

平方时间复杂度的算法常常效率较低，通常不适用于处理大规模问题。

5.指数时间复杂度O(2^n)指数时间复杂度表示随着输入规模n的增长，算法的运行时间呈指数级别增长。

例如，在TSP（旅行商问题）的暴力求解方法中，对于每个城市，旅行商都需要选择下一个未访问的城市，因此总的时间复杂度会呈指数级别增长。