标签：操作 函数 完成 序列 存储空间 渐进 十进制 情况 上界
一，时间复杂度
通常我们也不需要知道T(n)的确切大小，而只需要对其上界作出估计。比如说，如果存在正常数a、N 和一个函数f(n)，使得对于任何n > N，都有
T(n) < a × f(n)
我们就可以认为在n 足够大之后，f(n)给出了T(n)的一个上界。对于这种情况，我们记之为
T(n) = O(f(n))
这里的O 称作“大O 记号（Big-O notation）”。
如果存在正常数a、N 和一个函数g(n)，使得对于任何n > N，都有
T(n) > a × g(n)
我们就可以认为在n 足够大之后，g(n)给出了T(n)的一个下界。对于这种情况，我们记之为
T(n) = Ω(g(n))
这里的Ω称作“大Ω记号（Big-Ω notation）”。
二，空间复杂度
衡量算法性能的另一个重要方面，就是算法所需使用的存储空间量，即算法空间复杂度。显然，对于同样的输入规模，在时间复杂度相同的前提下，我们希望算法所占用的空间越少越好。不过，在通常情况下，我们将更多地分析和讨论算法的时间复杂度，甚至只关注时间复杂度。之所以能够这样做，是基于以下事实：
就渐进复杂度的意义而言，在任何一个算法的任何一次运行过程中，其实际占用的存储空间都不会多于其间执行的基本操作次数。
O（1）：具有常数的时间复杂度
算法：NonextremeElement(S[], n)
输入：由n个整数构成的集合S
输出：其中的任一非极端元素
{
任取的三个元素x, y, z ∈ S; //既然S是集合，这三个元素必互异
通过比较，找出其中的最小者min{x, y, z}和最大者max{x, y, z};
输出最小、最大者之外的那个元素;
}
既然S 是有限集，故其中的最大、最小元素各有且仅有一个。因此，无论S 的规模有多大，在前三个元素S[0]、S[1]和S[2]中，必包含至少一个非极端元素。于是，我们可以取x =S[0]、y = S[1]和z = S[2]，这只需执行三次基本操作，耗费O(3)时间。接下来，为了确定这三个元素的大小次序，我们最多需要做三次比较（请读者自己给出证明），也是O(3)时间。最后，输出居中的那个元素只需O(1)时间。综合起来，算法一.4 的运行时间为：
T(n) = O(3) + O(3) + O(1) = O(7) = O(1)
O(logn): 具有对数的时间复杂度
算法：BaseConversion(n)
输入：十进制整数n
输出：n的三进制表示
{
不断循环，直到n = 0 {
输出 n mod 3; //取模
令 n = n/3; //整除
}
}
每一轮循环内部，都只需进行两次基本操作（取模、整除）。为了确定需要进行的循环轮数，我们可以注意到以下事实：每经过一轮循环，n都至少减少至1/3。于是，至多经过1+?log3n?次循环，即可减小至0。因此，该算法需要运行O(2×(1+?log3n?)) = O(log3n)时间。
鉴于大O 记号的性质，我们通常会忽略对数函数的常底数。比如这里的底数为常数3，故通常将上述复杂度记作O(logn)
O(n) : 具有线性时间复杂度
算法：Sum(A[], n)
输入：由n个整数组成的数组A[]
输出：A[]中所有元素的总和
{
令s = 0;
对于每一个A[i]，i = 0, 1, …, n-1
令s = s + A[i];
输出s;
}
对s的初始化需要O(1)时间。算法的主体部分是一个循环，每一轮循环中只需进行一次累加运算，这属于基本操作，可以在O(1)时间内完成。每经过一轮循环，都对一个元素进行累加，故总共需要做n轮循环。因此，算法一.6 的运行时间为
O(1) + O(1)×n = O(n+1) = O(n)
O(n^2) : 具有平方时间复杂度
算法：Bubblesort(S[], n)
输入：n个元素组成的一个序列S[]，每个元素由[0..n-1]之间的下标确定，元素之间可以比较大小
输出：重新调整S[]中元素的次序，使得它们按照非降次序排列
{
从S[0]和S[1]开始，依次检查每一对相邻的元素;
只要它们位置颠倒，则交换其位置;
反复执行上述操作，直到每一对相邻元素的次序都符合要求;
}
标签：操作 函数 完成 序列 存储空间 渐进 十进制 情况 上界
原文地址：http://www.cnblogs.com/IvySue/p/7479510.html
