演算法復雜上界

『壹』 演算法的空間復雜度和時間復雜度的關系

論壇

活動

招聘

專題

打開CSDN APP
Copyright © 1999-2020, CSDN.NET, All Rights Reserved

搜索博文/帖子/用戶
登錄

zolalad
關注
演算法的時間復雜度和空間復雜度-總結 原創
2013-09-20 16:01:26
308點贊

zolalad

碼齡9年

關注
演算法的時間復雜度和空間復雜度-總結
通常，對於一個給定的演算法，我們要做 兩項分析。第一是從數學上證明演算法的正確性，這一步主要用到形式化證明的方法及相關推理模式，如循環不變式、數學歸納法等。而在證明演算法是正確的基礎上，第二部就是分析演算法的時間復雜度。演算法的時間復雜度反映了程序執行時間隨輸入規模增長而增長的量級，在很大程度上能很好反映出演算法的優劣與否。因此，作為程序員，掌握基本的演算法時間復雜度分析方法是很有必要的。
演算法執行時間需通過依據該演算法編制的程序在計算機上運行時所消耗的時間來度量。而度量一個程序的執行時間通常有兩種方法。

一、事後統計的方法

這種方法可行，但不是一個好的方法。該方法有兩個缺陷：一是要想對設計的演算法的運行性能進行評測，必須先依據演算法編制相應的程序並實際運行；二是所得時間的統計量依賴於計算機的硬體、軟體等環境因素，有時容易掩蓋演算法本身的優勢。

二、事前分析估算的方法

因事後統計方法更多的依賴於計算機的硬體、軟體等環境因素，有時容易掩蓋演算法本身的優劣。因此人們常常採用事前分析估算的方法。

在編寫程序前，依據統計方法對演算法進行估算。一個用高級語言編寫的程序在計算機上運行時所消耗的時間取決於下列因素：

(1). 演算法採用的策略、方法；(2). 編譯產生的代碼質量；(3). 問題的輸入規模；(4). 機器執行指令的速度。

一個演算法是由控制結構（順序、分支和循環3種）和原操作（指固有數據類型的操作）構成的，則演算法時間取決於兩者的綜合效果。為了便於比較同一個問題的不同演算法，通常的做法是，從演算法中選取一種對於所研究的問題（或演算法類型）來說是基本操作的原操作，以該基本操作的重復執行的次數作為演算法的時間量度。

1、時間復雜度
（1）時間頻度 一個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機運行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時間多，哪個演算法花費的時間少就可以了。並且一個演算法花費的時間與演算法中語句的執行次數成正比例，哪個演算法中語句執行次數多，它花費時間就多。一個演算法中的語句執行次數稱為語句頻度或時間頻度。記為T(n)。
（2）時間復雜度 在剛才提到的時間頻度中，n稱為問題的規模，當n不斷變化時，時間頻度T(n)也會不斷變化。但有時我們想知道它變化時呈現什麼規律。為此，我們引入時間復雜度概念。 一般情況下，演算法中基本操作重復執行的次數是問題規模n的某個函數，用T(n)表示，若有某個輔助函數f(n),使得當n趨近於無窮大時，T(n)/f(n)的極限值為不等於零的常數，則稱f(n)是T(n)的同數量級函數。記作T(n)=O(f(n)),稱O(f(n)) 為演算法的漸進時間復雜度，簡稱時間復雜度。

另外，上面公式中用到的 Landau符號其實是由德國數論學家保羅·巴赫曼（Paul Bachmann）在其1892年的著作《解析數論》首先引入，由另一位德國數論學家艾德蒙·朗道（Edmund Landau）推廣。Landau符號的作用在於用簡單的函數來描述復雜函數行為，給出一個上或下（確）界。在計算演算法復雜度時一般只用到大O符號，Landau符號體系中的小o符號、Θ符號等等比較不常用。這里的O，最初是用大寫希臘字母，但現在都用大寫英語字母O；小o符號也是用小寫英語字母o，Θ符號則維持大寫希臘字母Θ。
T (n) = Ο(f (n)) 表示存在一個常數C，使得在當n趨於正無窮時總有 T (n) ≤ C * f(n)。簡單來說，就是T(n)在n趨於正無窮時最大也就跟f(n)差不多大。也就是說當n趨於正無窮時T (n)的上界是C * f(n)。其雖然對f(n)沒有規定，但是一般都是取盡可能簡單的函數。例如，O(2n2+n +1) = O (3n2+n+3) = O (7n2 + n) = O ( n2 ) ，一般都只用O(n2)表示就可以了。注意到大O符號里隱藏著一個常數C，所以f(n)里一般不加系數。如果把T(n)當做一棵樹，那麼O(f(n))所表達的就是樹干，只關心其中的主幹，其他的細枝末節全都拋棄不管。
在各種不同演算法中，若演算法中語句執行次數為一個常數，則時間復雜度為O(1),另外，在時間頻度不相同時，時間復雜度有可能相同，如T(n)=n2+3n+4與T(n)=4n2+2n+1它們的頻度不同，但時間復雜度相同，都為O(n2)。 按數量級遞增排列，常見的時間復雜度有：常數階O(1),對數階O(log2n),線性階O(n), 線性對數階O(nlog2n),平方階O(n2)，立方階O(n3),...， k次方階O(nk),指數階O(2n)。隨著問題規模n的不斷增大，上述時間復雜度不斷增大，演算法的執行效率越低。

從圖中可見，我們應該盡可能選用多項式階O(nk)的演算法，而不希望用指數階的演算法。

常見的演算法時間復雜度由小到大依次為：Ο(1)＜Ο(log2n)＜Ο(n)＜Ο(nlog2n)＜Ο(n2)＜Ο(n3)＜…＜Ο(2n)＜Ο(n!)

一般情況下，對一個問題（或一類演算法）只需選擇一種基本操作來討論演算法的時間復雜度即可，有時也需要同時考慮幾種基本操作，甚至可以對不同的操作賦予不同的權值，以反映執行不同操作所需的相對時間，這種做法便於綜合比較解決同一問題的兩種完全不同的演算法。

（3）求解演算法的時間復雜度的具體步驟是：

⑴ 找出演算法中的基本語句；

演算法中執行次數最多的那條語句就是基本語句，通常是最內層循環的循環體。

⑵ 計算基本語句的執行次數的數量級；

只需計算基本語句執行次數的數量級，這就意味著只要保證基本語句執行次數的函數中的最高次冪正確即可，可以忽略所有低次冪和最高次冪的系數。這樣能夠簡化演算法分析，並且使注意力集中在最重要的一點上：增長率。

⑶ 用大Ο記號表示演算法的時間性能。

將基本語句執行次數的數量級放入大Ο記號中。

如果演算法中包含嵌套的循環，則基本語句通常是最內層的循環體，如果演算法中包含並列的循環，則將並列循環的時間復雜度相加。例如：

for (i=1; i<=n; i++)
x++;
for (i=1; i<=n; i++)
for (j=1; j<=n; j++)
x++;
第一個for循環的時間復雜度為Ο(n)，第二個for循環的時間復雜度為Ο(n2)，則整個演算法的時間復雜度為Ο(n+n2)=Ο(n2)。

Ο(1)表示基本語句的執行次數是一個常數，一般來說，只要演算法中不存在循環語句，其時間復雜度就是Ο(1)。其中Ο(log2n)、Ο(n)、 Ο(nlog2n)、Ο(n2)和Ο(n3)稱為多項式時間，而Ο(2n)和Ο(n!)稱為指數時間。計算機科學家普遍認為前者（即多項式時間復雜度的演算法）是有效演算法，把這類問題稱為P（Polynomial,多項式）類問題，而把後者（即指數時間復雜度的演算法）稱為NP（Non-Deterministic Polynomial, 非確定多項式）問題。

一般來說多項式級的復雜度是可以接受的，很多問題都有多項式級的解——也就是說，這樣的問題，對於一個規模是n的輸入，在n^k的時間內得到結果，稱為P問題。有些問題要復雜些，沒有多項式時間的解，但是可以在多項式時間里驗證某個猜測是不是正確。比如問4294967297是不是質數？如果要直接入手的話，那麼要把小於4294967297的平方根的所有素數都拿出來，看看能不能整除。還好歐拉告訴我們，這個數等於641和6700417的乘積，不是素數，很好驗證的，順便麻煩轉告費馬他的猜想不成立。大數分解、Hamilton迴路之類的問題，都是可以多項式時間內驗證一個「解」是否正確，這類問題叫做NP問題。

（4）在計算演算法時間復雜度時有以下幾個簡單的程序分析法則:

(1).對於一些簡單的輸入輸出語句或賦值語句,近似認為需要O(1)時間

(2).對於順序結構,需要依次執行一系列語句所用的時間可採用大O下"求和法則"

求和法則:是指若演算法的2個部分時間復雜度分別為 T1(n)=O(f(n))和 T2(n)=O(g(n)),則 T1(n)+T2(n)=O(max(f(n), g(n)))

特別地,若T1(m)=O(f(m)), T2(n)=O(g(n)),則 T1(m)+T2(n)=O(f(m) + g(n))

(3).對於選擇結構,如if語句,它的主要時間耗費是在執行then字句或else字句所用的時間,需注意的是檢驗條件也需要O(1)時間

(4).對於循環結構,循環語句的運行時間主要體現在多次迭代中執行循環體以及檢驗循環條件的時間耗費,一般可用大O下"乘法法則"

乘法法則: 是指若演算法的2個部分時間復雜度分別為 T1(n)=O(f(n))和 T2(n)=O(g(n)),則 T1*T2=O(f(n)*g(n))

(5).對於復雜的演算法,可以將它分成幾個容易估算的部分,然後利用求和法則和乘法法則技術整個演算法的時間復雜度

另外還有以下2個運演算法則:(1) 若g(n)=O(f(n)),則O(f(n))+ O(g(n))= O(f(n))；(2) O(Cf(n)) = O(f(n)),其中C是一個正常數

（5）下面分別對幾個常見的時間復雜度進行示例說明：

(1)、O(1)

Temp=i; i=j; j=temp;

以上三條單個語句的頻度均為1，該程序段的執行時間是一個與問題規模n無關的常數。演算法的時間復雜度為常數階，記作T(n)=O(1)。注意：如果演算法的執行時間不隨著問題規模n的增加而增長，即使演算法中有上千條語句，其執行時間也不過是一個較大的常數。此類演算法的時間復雜度是O(1)。
(2)、O(n2)

2.1. 交換i和j的內容

sum=0； （一次）
for(i=1;i<=n;i++) （n+1次）
for(j=1;j<=n;j++) （n2次）
sum++； （n2次）
解：因為Θ(2n2+n+1)=n2（Θ即：去低階項，去掉常數項，去掉高階項的常參得到），所以T(n)= =O(n2)；

2.2.

for (i=1;i<n;i++)
{
y=y+1; ①
for (j=0;j<=(2*n);j++)
x++; ②
}
解： 語句1的頻度是n-1
語句2的頻度是(n-1)*(2n+1)=2n2-n-1
f(n)=2n2-n-1+(n-1)=2n2-2；

又Θ(2n2-2)=n2
該程序的時間復雜度T(n)=O(n2).

一般情況下，對步進循環語句只需考慮循環體中語句的執行次數，忽略該語句中步長加1、終值判別、控制轉移等成分，當有若干個循環語句時，演算法的時間復雜度是由嵌套層數最多的循環語句中最內層語句的頻度f(n)決定的。

(3)、O(n)

a=0;
b=1; ①
for (i=1;i<=n;i++) ②
{
s=a+b;③
b=a;④
a=s;⑤
}
解： 語句1的頻度：2,
語句2的頻度： n,
語句3的頻度： n-1,
語句4的頻度：n-1,
語句5的頻度：n-1,
T(n)=2+n+3(n-1)=4n-1=O(n).
(4)、O(log2n)

i=1; ①
while (i<=n)
i=i*2; ②
解： 語句1的頻度是1,
設語句2的頻度是f(n), 則：2^f(n)<=n;f(n)<=log2n
取最大值f(n)=log2n,
T(n)=O(log2n )

(5)、O(n3)

for(i=0;i<n;i++)
{
for(j=0;j<i;j++)
{
for(k=0;k<j;k++)
x=x+2;
}
}
解：當i=m, j=k的時候,內層循環的次數為k當i=m時, j 可以取 0,1,...,m-1 , 所以這里最內循環共進行了0+1+...+m-1=(m-1)m/2次所以,i從0取到n, 則循環共進行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以時間復雜度為O(n3).

（5）常用的演算法的時間復雜度和空間復雜度

一個經驗規則：其中c是一個常量，如果一個演算法的復雜度為c 、 log2n 、n 、 n*log2n ,那麼這個演算法時間效率比較高 ，如果是2n ,3n ,n!，那麼稍微大一些的n就會令這個演算法不能動了，居於中間的幾個則差強人意。

演算法時間復雜度分析是一個很重要的問題，任何一個程序員都應該熟練掌握其概念和基本方法，而且要善於從數學層面上探尋其本質，才能准確理解其內涵。

2、演算法的空間復雜度

類似於時間復雜度的討論，一個演算法的空間復雜度(Space Complexity)S(n)定義為該演算法所耗費的存儲空間，它也是問題規模n的函數。漸近空間復雜度也常常簡稱為空間復雜度。
空間復雜度(Space Complexity)是對一個演算法在運行過程中臨時佔用存儲空間大小的量度。一個演算法在計算機存儲器上所佔用的存儲空間，包括存儲演算法本身所佔用的存儲空間，演算法的輸入輸出數據所佔用的存儲空間和演算法在運行過程中臨時佔用的存儲空間這三個方面。演算法的輸入輸出數據所佔用的存儲空間是由要解決的問題決定的，是通過參數表由調用函數傳遞而來的，它不隨本演算法的不同而改變。存儲演算法本身所佔用的存儲空間與演算法書寫的長短成正比，要壓縮這方面的存儲空間，就必須編寫出較短的演算法。演算法在運行過程中臨時佔用的存儲空間隨演算法的不同而異，有的演算法只需要佔用少量的臨時工作單元，而且不隨問題規模的大小而改變，我們稱這種演算法是「就地\"進行的，是節省存儲的演算法，如這一節介紹過的幾個演算法都是如此；有的演算法需要佔用的臨時工作單元數與解決問題的規模n有關，它隨著n的增大而增大，當n較大時，將佔用較多的存儲單元，例如將在第九章介紹的快速排序和歸並排序演算法就屬於這種情況。

如當一個演算法的空間復雜度為一個常量，即不隨被處理數據量n的大小而改變時，可表示為O(1)；當一個演算法的空間復雜度與以2為底的n的對數成正比時，可表示為0(10g2n)；當一個演算法的空I司復雜度與n成線性比例關系時，可表示為0(n).若形參為數組，則只需要為它分配一個存儲由實參傳送來的一個地址指針的空間，即一個機器字長空間；若形參為引用方式，則也只需要為其分配存儲一個地址的空間，用它來存儲對應實參變數的地址，

『貳』 數據結構：排序演算法總會提到的上界和下界是什麼意思呀

簡單來說，上界就是時間復雜度總不會超過這個數量級，下界就是時間復雜度總不會低於這個數量級。具體去wiki上看下O，Ω，Θ，o，ω的數學定義吧

『叄』 如何計算一個演算法的時間復雜度

你這個問題是自己想出來的吧？
第一，你指的時間復雜度是大o表示法的復雜度，也就是一個上界，但不是上確界，所以就算你以一種方式中斷排序過程，時間復雜度還是o(n*logn)，假設排序過程還能執行的話。
第二，達到o(n*logn)的排序演算法，以快速排序為例，快速排序不知道你看過沒有，它不像選擇排序或者冒泡排序那樣，每一趟可以確定一直最大或者最小值，對於快速排序，每一趟排序後如果你刪掉最後一個元素將導致整個演算法失效。如果你要用這種刪除元素方法的話，只能採用冒泡排序或者選擇排序，時間復雜度是o(n^2)
所以，我猜想你是不是想做類似於在n個元素中尋找前k個最大者之類的事情（k=n-l）
如果是這樣的話，有復雜度是o(n*logk)的演算法，利用快速排序中的partition操作
經過partition後，pivot左邊的序列sa都大於pivot右邊的序列sb；
如果|sa|==k或者|sa|==k-1，則數組的前k個元素就是最大的前k個元素，演算法終止;
如果|sa|
k，則從sa中尋找前k大的元素。
一次partition(arr,begin,end)操作的復雜度為end-begin，也就是o(n)，最壞情況下一次partition操作只找到第1大的那個元素，則需要進行k次partition操作，總的復雜度為o(n*k)。平均情況下每次partition都把序列均分兩半，需要logk次partition操作，總的復雜度為o(n*logk)。
由於k的上界是n，所以以n表示的總復雜度還是o(n*logn)

『肆』 演算法時間復雜度怎麼算

一、概念
時間復雜度是總運算次數表達式中受n的變化影響最大的那一項(不含系數)
比如：一般總運算次數表達式類似於這樣：
a*2^n+b*n^3+c*n^2+d*n*lg(n)+e*n+f
a ！ =0時，時間復雜度就是O(2^n);
a=0,b<>0 =>O(n^3);
a,b=0,c<>0 =>O(n^2)依此類推
eg:
(1) for(i=1;i<=n;i++) //循環了n*n次，當然是O(n^2)
for(j=1;j<=n;j++)
s++;
(2) for(i=1;i<=n;i++)//循環了(n+n-1+n-2+...+1)≈(n^2)/2，因為時間復雜度是不考慮系數的，所以也是O(n^2)
for(j=i;j<=n;j++)
s++;
(3) for(i=1;i<=n;i++)//循環了(1+2+3+...+n)≈(n^2)/2,當然也是O(n^2)
for(j=1;j<=i;j++)
s++;
(4) i=1;k=0;
while(i<=n-1){
k+=10*i; i++; }//循環了n-1≈n次，所以是O(n)(5) for(i=1;i<=n;i++)
for(j=1;j<=i;j++)
for(k=1;k<=j;k++)
x=x+1;
//循環了(1^2+2^2+3^2+...+n^2)=n(n+1)(2n+1)/6(這個公式要記住哦)≈(n^3)/3，不考慮系數，自然是O(n^3)
另外，在時間復雜度中，log(2,n)(以2為底)與lg(n)(以10為底)是等價的，因為對數換底公式：
log(a,b)=log(c,b)/log(c,a)
所以，log(2,n)=log(2,10)*lg(n),忽略掉系數，二者當然是等價的
二、計算方法1.一個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機運行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時間多，哪個演算法花費的時間少就可以了。並且一個演算法花費的時間與演算法中語句的執行次數成正比例，哪個演算法中語句執行次數多，它花費時間就多。
一個演算法中的語句執行次數稱為語句頻度或時間頻度。記為T(n)。
2.一般情況下，演算法的基本操作重復執行的次數是模塊n的某一個函數f（n），因此，演算法的時間復雜度記做：T（n）=O（f（n））。隨著模塊n的增大，演算法執行的時間的增長率和f（n）的增長率成正比，所以f（n）越小，演算法的時間復雜度越低，演算法的效率越高。
在計算時間復雜度的時候，先找出演算法的基本操作，然後根據相應的各語句確定它的執行次數，再找出T（n）的同數量級（它的同數量級有以下：1，Log2n ，n ，nLog2n ，n的平方，n的三次方，2的n次方，n！），找出後，f（n）=該數量級，若T(n)/f(n)求極限可得到一常數c，則時間復雜度T（n）=O（f（n））。
3.常見的時間復雜度
按數量級遞增排列，常見的時間復雜度有：
常數階O(1), 對數階O(log2n), 線性階O(n), 線性對數階O(nlog2n), 平方階O(n^2)， 立方階O(n^3),...， k次方階O(n^k), 指數階O(2^n) 。
其中，1.O(n)，O(n^2)， 立方階O(n^3),...， k次方階O(n^k) 為多項式階時間復雜度，分別稱為一階時間復雜度，二階時間復雜度。。。。2.O(2^n)，指數階時間復雜度，該種不實用3.對數階O(log2n), 線性對數階O(nlog2n)，除了常數階以外，該種效率最高
例：演算法：
for（i=1;i<=n;++i）
{
for(j=1;j<=n;++j)
{
c[ i ][ j ]=0; //該步驟屬於基本操作 執行次數：n^2
for(k=1;k<=n;++k)
c[ i ][ j ]+=a[ i ][ k ]*b[ k ][ j ]; //該步驟屬於基本操作 執行次數：n^3
}
}
則有 T（n）= n^2+n^3，根據上面括弧里的同數量級，我們可以確定 n^3為T（n）的同數量級
則有f（n）= n^3，然後根據T（n）/f（n）求極限可得到常數c
則該演算法的 時間復雜度：T（n）=O（n^3)
四、

定義：如果一個問題的規模是n，解這一問題的某一演算法所需要的時間為T(n)，它是n的某一函數
T(n)稱為這一演算法的「時間復雜性」。

當輸入量n逐漸加大時，時間復雜性的極限情形稱為演算法的「漸近時間復雜性」。

我們常用大O表示法表示時間復雜性，注意它是某一個演算法的時間復雜性。大O表示只是說有上界，由定義如果f(n)=O(n)，那顯然成立f(n)=O(n^2)，它給你一個上界，但並不是上確界，但人們在表示的時候一般都習慣表示前者。

此外，一個問題本身也有它的復雜性，如果某個演算法的復雜性到達了這個問題復雜性的下界，那就稱這樣的演算法是最佳演算法。

「大O記法」：在這種描述中使用的基本參數是
n，即問題實例的規模，把復雜性或運行時間表達為n的函數。這里的「O」表示量級 (order)，比如說「二分檢索是 O(logn)的」,也就是說它需要「通過logn量級的步驟去檢索一個規模為n的數組」記法 O ( f(n) )表示當 n增大時，運行時間至多將以正比於 f(n)的速度增長。

這種漸進估計對演算法的理論分析和大致比較是非常有價值的，但在實踐中細節也可能造成差異。例如，一個低附加代價的O(n2)演算法在n較小的情況下可能比一個高附加代價的 O(nlogn)演算法運行得更快。當然，隨著n足夠大以後，具有較慢上升函數的演算法必然工作得更快。

O(1)

Temp=i;i=j;j=temp;

以上三條單個語句的頻度均為1，該程序段的執行時間是一個與問題規模n無關的常數。演算法的時間復雜度為常數階，記作T(n)=O(1)。如果演算法的執行時間不隨著問題規模n的增加而增長，即使演算法中有上千條語句，其執行時間也不過是一個較大的常數。此類演算法的時間復雜度是O(1)。

O(n^2)

2.1.
交換i和j的內容
sum=0；（一次）
for(i=1;i<=n;i++)（n次 ）
for(j=1;j<=n;j++)
（n^2次 ）
sum++；（n^2次 ）
解：T(n)=2n^2+n+1 =O(n^2)

2.2.
for (i=1;i<n;i++)
{
y=y+1;①
for
(j=0;j<=(2*n);j++)
x++;②
}
解：
語句1的頻度是n-1
語句2的頻度是(n-1)*(2n+1)=2n^2-n-1
f(n)=2n^2-n-1+(n-1)=2n^2-2
該程序的時間復雜度T(n)=O(n^2).

O(n)

2.3.
a=0;
b=1;①
for
(i=1;i<=n;i++) ②
{
s=a+b;③
b=a;④
a=s;⑤
}
解：語句1的頻度：2,
語句2的頻度：
n,
語句3的頻度： n-1,
語句4的頻度：n-1,
語句5的頻度：n-1,
T(n)=2+n+3(n-1)=4n-1=O(n).

O(log2n
)

2.4.
i=1;①
while (i<=n)
i=i*2; ②
解： 語句1的頻度是1,
設語句2的頻度是f(n),則：2^f(n)<=n;f(n)<=log2n
取最大值f(n)=
log2n,
T(n)=O(log2n )

O(n^3)

2.5.
for(i=0;i<n;i++)
{
for(j=0;j<i;j++)
{
for(k=0;k<j;k++)
x=x+2;
}
}
解：當i=m,
j=k的時候,內層循環的次數為k當i=m時, j 可以取 0,1,...,m-1 , 所以這里最內循環共進行了0+1+...+m-1=(m-1)m/2次所以,i從0取到n, 則循環共進行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以時間復雜度為O(n^3).


我們還應該區分演算法的最壞情況的行為和期望行為。如快速排序的最
壞情況運行時間是 O(n^2)，但期望時間是 O(nlogn)。通過每次都仔細 地選擇基準值，我們有可能把平方情況 (即O(n^2)情況)的概率減小到幾乎等於 0。在實際中，精心實現的快速排序一般都能以 (O(nlogn)時間運行。
下面是一些常用的記法：


訪問數組中的元素是常數時間操作，或說O(1)操作。一個演算法如 果能在每個步驟去掉一半數據元素，如二分檢索，通常它就取 O(logn)時間。用strcmp比較兩個具有n個字元的串需要O(n)時間。常規的矩陣乘演算法是O(n^3)，因為算出每個元素都需要將n對
元素相乘並加到一起，所有元素的個數是n^2。
指數時間演算法通常來源於需要求出所有可能結果。例如，n個元 素的集合共有2n個子集,所以要求出所有子集的演算法將是O(2n)的。指數演算法一般說來是太復雜了，除非n的值非常小，因為，在 這個問題中增加一個元素就導致運行時間加倍。不幸的是，確實有許多問題 (如著名的「巡迴售貨員問題」 )，到目前為止找到的演算法都是指數的。如果我們真的遇到這種情況，通常應該用尋找近似最佳結果的演算法替代之。

『伍』 如何計算演算法復雜度

問題一：程序中的時間復雜度是怎麼計算的？ 演算法復雜度的介紹，見網路：
ke./view/7527
時間復雜度
時間頻度
一個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機運行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時間多，哪個演算法花費的時間少就可以了。並且一個演算法花費的時間與演算法中語句的執行次數成正比例，哪個演算法中語句執行次數多，它花費時間就多。一個演算法中的語句執行次數稱為語句頻度或時間頻度。記為T(n)。
計算方法
1. 一般情況下，演算法的基本操作重復執行的次數是模塊n的某一個函數f（n），因此，演算法的時間復雜度記做：T（n）=O（f（n））
分析：隨著模塊n的增大，演算法執行的時間的增長率和f（n）的增長率成正比，所以f（n）越小，演算法的時間復雜度越低，演算法的效率越高。
2. 在計算時間復雜度的時候，先找出演算法的基本操作，然後根據相應的各語句確定它的執行次數，再找出T（n）的同數量級（它的同數量級有以下：1，Log2n ，n ，nLog2n ，n的平方，n的三次方，2的n次方，n！），找出後，f（n）=該數量級，若T(n)/f(n)求極限可得到一常數c，則時間復雜度T（n）=O（f（n））
例：演算法：
for（i=1;i>

問題二：如何計算演算法的時間復雜度 求解演算法的時間復雜度的具體步驟是：⑴找出演算法中的基本語句；演算法中執行次數最多的那條語句就是基本語句，通常是最內層循環的循環體。⑵計算基本語句的執行次數的數量級；只需計算基本語句執行次數的數量級，這就意味著只要保證基本語句執行次數的函數中的最高次冪正確即可，可以忽略所有低次冪和最高次冪的系數。這樣能夠簡化演算法分析，並且使注意力集中在最重要的一點上：增長率。⑶用大Ο記號表示演算法的時間性能。將基本語句執行次數的數量級放入大Ο記號中。如果演算法中包含嵌套的循環，則基本語句通常是最內層的循環體，如果演算法中包含並列的循環，則將並列循環的時間復雜度相加。例如：for(i=1;i 問題三：C語言演算法的時間復雜度如何計算啊？ 看看這個 每個循環都和上一層循環的參數有關。 所以要用地推公式： 設i(n)表示第一層循環的i為n時的循環次數，注意到他的下一層循環次數剛好就是n，分別是0,1,2...n-1 所以，把每一層循環設一個函數分別為：j(n),k(n),t(n) 則有 i(n)=j(0)+...+j(n-1) j(n)=k(0)+...+k(n-1) k(n)=t(0)+...+t(n-1) i(0)=j(0)=k(0)=0 t(n)=1 而總循環數是i(0)+i(1)...+i(n-1) 可以根據遞推條件得出准確值 所以演算法復雜度是O(i(0)+i(1)...+i(n-1))
記得採納啊

問題四：如何計算演算法的時間復雜度和空間復雜度 是說明一個程序根據其數據n的規模大小 所使用的大致時間和空間
說白了 就是表示 如果隨著n的增長 時間或空間會以什麼樣的方式進行增長
例
for(int i = 0; i 問題五：一個演算法的時間復雜度是什麼函數？ 關於n的函數，n是問題的規模

問題六：請問遞歸演算法的時間復雜度如何計算呢? 遞歸演算法的時間復雜度分析 收藏
在演算法分析中，當一個演算法中包含遞歸調用時，其時間復雜度的分析會轉化為一個遞歸方程求解。實際上，這個問題是數學上求解漸近階的問題，而遞歸方程的形式多種多樣，其求解方法也是不一而足，比較常用的有以下四種方法：
(1)代入法(Substitution Method)

代入法的基本步驟是先推測遞歸方程的顯式解，然後用數學歸納法來驗證該解是否合理。

(2)迭代法(Iteration Method)

迭代法的基本步驟是迭代地展開遞歸方程的右端，使之成為一個非遞歸的和式，然後通過對和式的估計來達到對方程左端即方程的解的估計。

(3)套用公式法(Master Method)

這個方法針對形如「T(n) = aT(n/b) + f(n)」的遞歸方程。這種遞歸方程是分治法的時間復雜性所滿足的遞歸關系，即一個規模為n的問題被分成規模均為n/b的a個子問題，遞歸地求解這a個子問題，然後通過對這a個子間題的解的綜合，得到原問題的解。

(4)差分方程法(Difference Formula Method)
可以將某些遞歸方程看成差分方程，通過解差分方程的方法來解遞歸方程，然後對解作出漸近階估計。

下面就以上方法給出一些例子說明。

一、代入法

大整數乘法計算時間的遞歸方程為：T(n) = 4T(n/2) + O(n)，其中T(1) = O(1)，我們猜測一個解T(n) = O(n2 )，根據符號O的定義，對n>n0，有T(n) >

問題七：如何計算時間復雜度 如何計算時間復雜度
定義：如果一個問題的規模是n，解這一問題的某一演算法所需要的時間為T(n)，它是n的某一函數 T(n)稱為這一演算法的「時間復雜性」。
當輸入量n逐漸加大時，時間復雜性的極限情形稱為演算法的「漸近時間復雜性」。
我們常用大O表示法表示時間復雜性，注意它是某一個演算法的時間復雜性。大O表示只是說有上界，由定義如果f(n)=O(n)，那顯然成立f(n)=O(n^2)，它給你一個上界，但並不是上確界，但人們在表示的時候一般都習慣表示前者。
此外，一個問題本身也有它的復雜性，如果某個演算法的復雜性到達了這個問題復雜性的下界，那就稱這樣的演算法是最佳演算法。
「大 O記法」：在這種描述中使用的基本參數是 n，即問題實例的規模，把復雜性或運行時間表達為n的函數。這里的「O」表示量級 (order)，比如說「二分檢索是 O(logn)的」,也就是說它需要「通過logn量級的步驟去檢索一個規模為n的數組」記法 O ( f(n) )表示當 n增大時，運行時間至多將以正比於 f(n)的速度增長。
這種漸進估計對演算法的理論分析和大致比較是非常有價值的，但在實踐中細節也可能造成差異。例如，一個低附加代價的O(n2)演算法在n較小的情況下可能比一個高附加代價的 O(nlogn)演算法運行得更快。當然，隨著n足夠大以後，具有較慢上升函數的演算法必然工作得更快。
O(1)
Temp=i;i=j;j=temp;
以 上三條單個語句的頻度均為1，該程序段的執行時間是一個與問題規模n無關的常數。演算法的時間復雜度為常數階，記作T(n)=O(1)。如果演算法的執行時 間不隨著問題規模n的增加而增長，即使演算法中有上千條語句，其執行時間也不過是一個較大的常數。此類演算法的時間復雜度是O(1)。
O(n^2)
2.1. 交換i和j的內容
sum=0； （一次）
for(i=1;i>

問題八：演算法的時間復雜度 以下是考研時常用的計算方法，實際上最簡單的方法採用多項式最大階的方法，如：
f(n)=a1*n^m+a2*n^(m-1)+.......an-1*n+an
的時間復雜度為:T(f(n))=O(n^m)
採用時間步法，找一個函數g(n),找一個自然數n0,使f(n)T(n)=O(n)
(2)6n^2-12n+1=12)=7n^2=7*g(n)==>T(n)=O(n^2)
(3)n(n+1)(n+2)/6=n0=2時)=n0=4)=2*g(n)===>T(n)=O(n^3)
(4)2^(n+1)+100nT(n)=O(2^n)

『陸』 怎樣通過計算復雜度來估計n的上界。如：T(n)=O（n^3）,n的上界是多少

萬有引力定律：
（law of gravitation）物體間相互作用的一條定律，1687年為牛頓所發現。任何物體之間都有相互吸引力，這個力的大小與各個物體的質量成正比例，而與它們之間的距離的平方成反比。如果用m1、m2表示兩個物體的質量，r表示它們間的距離，則物體間相互吸引力為F=（Gm1m2）/r2，G稱為萬有引力常數。
萬有引力定律是牛頓在1687年出版的《自然哲學的數學原理》一書中首先提出的。牛頓利用萬有引力定律不僅說明了行星運動規律，而且還指出木星、土星的衛星圍繞行星也有同樣的運動規律。他認為月球除了受到地球的引力外，還受到太陽的引力，從而解釋了月球運動中早已發現的二均差、出差等。另外，他還解釋了慧星的運動軌道和地球上的潮汐現象。根據萬有引力定律成功地預言並發現了海王星。萬有引力定律出現後，才正式把研究天體的運動建立在力學理論的基礎上，從而創立了天體力學。
簡單的說,質量越大的東西產生的引力越大,地球的質量產生的引力足夠把地球上的東西全部抓牢。

不但地球對它周圍的物體有吸引作用，而且任何兩個物體之間都存在這種吸引作用。物體之間的這種吸引作用普遍存在於宇宙萬物之間，稱為萬有引力。
萬有引力是由於物體具有質量而在物體之間產生的一種相互作用。它的大小和物體的質量以及兩個物體之間的距離有關。物體的質量越大，它們之間的萬有引力就越大；物體之間的距離越遠，它們之間的萬有引力就越小。
兩個可看作質點的物體之間的萬有引力，可以用以下公式計算：F＝GmM/r2,即 萬有引力等於重力常量乘以兩物體質量的乘積除以它們距離的平方。其中G代表引力常量，其值約為6.67×10的負11次方單位 N·m2 /kg2。為英國科學家 卡文迪許通過扭秤實驗測得。
兩個通常物體之間的萬有引力極其微小，我們察覺不到它，可以不予考慮。比如，兩個質量都是60千克的人，相距0.5米，他們之間的萬有引力還不足百萬分之一牛頓，而一隻螞蟻拖動細草梗的力竟是這個引力的1000倍！
但是，天體系統中，由於天體的質量和大，萬有引力就起著決定性的作用。在天體中質量還算很小的地球，對其他的物體的萬有引力已經具有巨大的影響，它把人類、大氣和所有地面物體束縛在地球上，它使月球和人造地球衛星繞地球旋轉而不離去。
重力，就是由於地面附近的物體受到地球的萬有引力而產生的。

任意兩個物體或兩個粒子間的與其質量乘積相關的吸引力。自然界中最普遍的力。簡稱引力，有時也稱重力。在粒子物理學中則稱引力相互作用和強力、弱力 、電磁力合稱4種基本相互作用。引力是其中最弱的一種，兩個質子間的萬有引力只有它們間的電磁力的1／1035 ，質子受地球的引力也只有它在一個不強的電場1000伏／米的電磁力的1／1010。因此研究粒子間的作用或粒子 在電子顯微鏡和加速器中運動時，都不考慮萬有引力的作用 。一般物體之間的引力也是很小的，例如兩個直徑為 1米的鐵球 ，緊靠在一起時 ， 引力也只有2.83×10-4牛頓，相當於0.03克的一小滴水的重量 。但地球的質量很大，這兩個鐵球分別受到4×104牛頓的地球引力 。所以研究物體在地球引力場中的運動時，通常都不考慮周圍其他物體的引力。天體如太陽和地球的質量都很大，乘積就更大，巨大的引力就能使龐然大物繞太陽轉動。引力就成了支配天體運動的唯一的一種力。恆星的形成，在高溫狀態下不彌散反而逐漸收縮，最後坍縮為白矮星、中子星和黑洞 ， 也都是由於引力的作用，因此引力也是促使天體演化的重要因素。

現代天文學理論認為，太陽系是由所謂的原始星雲形成的，原始星雲是一大片十分稀薄的氣體雲，50億年前受某種擾動影響，在引力的作用下向中心收縮。經過漫長時期的演化，中心部分物質的密度越來越大，溫度也越來越高，終於達到可以引發熱核反應的程度，而演變成了太陽。在太陽周圍的殘余氣體則逐漸形成一個旋轉的盤狀氣體層，經過收縮、碰撞、捕獲、積聚等過程，在氣體層中逐步聚集成固體顆粒、微行星、原始行星，最後形成一個個獨立的大行星和小行星等太陽系天體。

太陽系的幾乎所有天體包括小行星都自轉，而且是按照右手定則的規律自轉，所有或者說絕大多數天體的公轉也都是右手定則。為什麼呢？太陽系的前身是一團密雲，受某種力量驅使，使它彼此相吸，這個吸積過程，使密度稀的逐漸變大，這就加速吸積過程。原始太陽星雲中的質點最初處在混沌狀，橫沖直闖，逐漸把無序狀態變成有序狀態，一方面，向心吸積聚變為太陽，另外，就使得這團氣體逐漸向扁平狀發展，發展的過程中，勢能變成動能，最終整個轉起來了。開始轉時，有這么轉的，有那麼轉的，在某一個方向占上風之後，都變成了一個方向，這個方向就是現在發現的右手定則，也許有其他太陽系是左手定則，但在我們這個太陽系是右手定則。地球自轉的能量來源就是由物質勢能最後變成動能所致，最終是地球一方面公轉，一方面自轉。

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

3點一線是為潮汐
潮汐
由於日、月引潮力的作用，使地球的岩石圈、水圈和大氣圈中分別產生的周期性的運動和變化的總稱。固體地球在日、月引潮力作用下引起的彈性—塑性形變，稱固體潮汐，簡稱固體潮或地潮；海水在日、月引潮力作用下引起的海面周期性的升降、漲落與進退，稱海洋潮汐，簡稱海潮；大氣各要素（如氣壓場、大氣風場、地球磁場等）受引潮力的作用而產生的周期性變化（如8、12、24小時）稱大氣潮汐，簡稱氣潮。其中由太陽引起的大氣潮汐稱太陽潮，由月球引起的稱太陰潮。因月球距地球比太陽近，月球與太陽引潮力之比為11：5，對海洋而言，太陰潮比太陽潮顯著。地潮、海潮和氣潮的原動力都是日、月對地球各處引力不同而引起的，三者之間互有影響。大洋底部地殼的彈性—塑性潮汐形變，會引起相應的海潮，即對海潮來說，存在著地潮效應的影響；而海潮引起的海水質量的遷移，改變著地殼所承受的負載，使地殼發生可復的變曲。氣潮在海潮之上，它作用於海面上引起其附加的振動，使海潮的變化更趨復雜。作為完整的潮汐科學，其研究對象應將地潮、海潮和氣潮作為一個統一的整體，但由於海潮現象十分明顯，且與人們的生活、經濟活動、交通運輸等關系密切，因而習慣上將潮汐(tide)一詞狹義理解為海洋潮汐。

『柒』 演算法中上界和下界分別是指什麼

上界與下界的定義和數學中是相通的，比如一個變數x，並且有x屬於a到b區間，這個區間就表示上界是a，下界是b，對於變數x的取值范圍來說，最大不超過b，最小不小於a。

同樣對於一個演算法，上界就是對於一種資源的限制最大不大於的值，下界就是對於這種資源的限制最小不小於的值。

『捌』 求演算法上界的問題

如果有lim(n->∞) T(n)/f(n)=常數C>0，則稱演算法T(n)的時間復雜度為O(f(n))
對於T(n)=2^n+n^2，顯然有lim(n->∞) (2^n+n^2)/(2^n)=1，因此我們說這個演算法的時間復雜度是O(2^n)。

『玖』 怎麼求演算法的時間復雜性的上界和下界

簡單一點，忽略諸如程序在循環變數上的開銷，只考慮循環體
復雜度是通過數運算次數直接數出來的，要知道循環多少次，以及每次循環的工作量
(1)循環n次，每次兩步加法兩步賦值，簡單一點講就是每次循環工作量都是常數，所以復雜度就是Θ(n)（既是上界也是下界）
對於(2)而言，n=n-1下降比較慢，n=n/2下降比較快，同樣每次循環的工作量都是常數，只要看循環次數，所以從前者去統計上界，從後者統計下界
最少的情況來自n=2^k的形式，要循環k步，復雜度下界是Ω(log n)
循環次數比較多的情況是反復出現n=n-1運算的情況，但注意一旦執行該運算之後n一定變成偶數，所以最壞情況是n=n-1和n=n/2交替出現，此時循環次數不超過2log_2 n，復雜度上界是O(log n)
合並起來總體的復雜度還是Θ(n)