标签：定义 第一步 不同 UNC 关系 count each 大小 根据
一：为什么要计算时间复杂度？
- 一说起时间复杂度，就和算法扯上了关系，那么就有了一个问题，在我们写好了一个算法之后，如何测试这个算法的好或者不好呢？
- 事后统计法，指的是在算法完成之后，通过实际的运行来检验算法的好坏。但是，这样也有两个致命的缺点
- 如果算法不行，那么我们实际运行图了个什么？
- 机器性能一会好一会不行怎么破？
- 因为 事后统计法 的不靠谱，所以我们采用了 事前分析 的方法，也就是我们说的 时间复杂度。
- 不过因为是事前统计，其算法本身也并没有通过实际环境的检验。
- 所以，时间复杂度，其实只是一个度量，不是真正的运行时间的投影。
- 也就是说只是给了你一个尺子去量一下这个算法的耗时，不是这个算法实现以后真的会耗时多少，也不是两个不同的算法的耗时比例真的可以这么比。
二：时间复杂度的定义？
- 语句执行次数 T(n) 是问题规模 n 的函数
- 继而分析 T(n) 随着 n 的变化并确定 T(n) 的量级
- 记做 T(n) = O(f(n)), 表示随着 n 的增大，时间的增长率 和 fn 增长率相同
- 一般用 O() 表示，也称 大 (O) 记法
- 简单来说，记住这个公式 f(n) = n
三：如何计算算法的时间复杂度？
- 推导大 O() 计数法
- 用常数 1 来代替 运行时间的加法常数
- 在修改后的运行次函数中，只保留最高阶
- 如果最高阶存在且不是1，则去除这个项相乘的常数
- 下面来尝试如何计算时间复杂度
四：常数阶O (1)
<?php $sum = 0; // 执行一次 $n = 100; // 执行一次 $sum = (1 + n) * n/2; // 执行一次 print_r($sum); // 执行一次
- 按照定义，这个算法的运行次数是 f(n) = 4, 根据我们的 大 O 推导算法， 第一步就是将 4 变为 1。
- 在保留最高阶时，发现这个算法也没有最高阶，所以这个算法的时间复杂度为 O(1)
<?php // 如果执行10次呢 $sum = 0; // 执行一次 $n = 100; // 执行一次 $sum = (1 + n) * n/2; // 执行一次 $sum = (1 + n) * n/2; // 执行一次 $sum = (1 + n) * n/2; // 执行一次 $sum = (1 + n) * n/2; // 执行一次 $sum = (1 + n) * n/2; // 执行一次 print_r($sum); // 执行一次
- 事实上无论 n 为多少，都是时间恒定的算法，也是为常数阶 O(1)
五：线性阶O (n)
<?php $n = n; foreach ($n as $v) { // 时间复杂度为 O(1) 的序列 }
- 按照定义，这个算法的运行次数是 f(n) = n, 根据我们的 大 O 推导算法，保存最高阶的 1，
- 也是为线性阶 O(n)
六：对数阶O (logn)
<?php $count = 1; while ($count < n) { $count = $count * 2; // 时间复杂度为 O(1) 的序列 }
- 由于 count 每次 X2 ,有多少个 2 相乘后，便会退出循环。
- 由 2x=n 得到 x = log2n
- 对数阶O (logn)
七：平方阶O (n2)
<?php foreach ($n as $v) { func($v); } function func () { for ($i = 0; $i < n; $i++) { // 时间复杂度为 O(1) 的 } }
- 外层调用了一个循环，循环 n 次去执行 func 函数
- func 函数内部又执行一次循环输出
- 也就是说，这个算法一共执行了 f(n) = n2 次
// 等价于 <?php foreach ($n as $v) { for ($i = 0; $i < n; $i++) { // 时间复杂度为 O(1) 的 } }
- 也就是 平方阶O (n2)
七：时间复杂度耗时大小排列(越小越好)
- O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3) < O(2n) < O(n!) < O(1) < O(nn)
- 一般超过 O(n2) 的，时间太长，就不做计算了，也就是说，一个算法，最长耗时不能超过 O(n2)
标签：定义 第一步 不同 UNC 关系 count each 大小 根据
原文地址：https://www.cnblogs.com/25-lH/p/10408611.html
