189 8069 5689
数据结构没学吧 算法的执行时间依赖于具体的软硬件环境，所以，不能用执行时间的长短来衡量算法的时间复杂度，而要通过基本语句执行次数的数量级来衡量。求解算法的时间复杂度的具体步骤是：⑴ 找出算法中的基本语句；算法中执行次数最多的那条语句就是基本语句，通常是最内层循环的循环体。⑵ 计算基本语句的执行次数的数量级；只需计算基本语句执行次数的数量级，这就意味着只要保证基本语句执行次数的函数中的最高次幂正确即可，可以忽略所有低次幂和最高次幂的系数。这样能够简化算法分析，并且使注意力集中在最重要的一点上：增长率。⑶ 用大Ο记号表示算法的时间性能。将基本语句执行次数的数量级放入大Ο记号中。如果算法中包含嵌套的循环，则基本语句通常是最内层的循环体，如果算法中包含并列的循环，则将并列循环的时间复杂度相加。例如：for (i=1; i=n; i++)
成都创新互联专注于濠江企业网站建设,成都响应式网站建设公司,商城网站建设。濠江网站建设公司,为濠江等地区提供建站服务。全流程按需网站建设，专业设计，全程项目跟踪，成都创新互联专业和态度为您提供的服务
x++;for (i=1; i=n; i++)
for (j=1; j=n; j++)
x++;第一个for循环的时间复杂度为Ο(n)，第二个for循环的时间复杂度为Ο(n2)，则整个算法的时间复杂度为Ο(n+n2)=Ο(n2)。常见的算法时间复杂度由小到大依次为：Ο(1)＜Ο(log2n)＜Ο(n)＜Ο(nlog2n)＜Ο(n2)＜Ο(n3)＜…＜Ο(2n)＜Ο(n!)Ο(1)表示基本语句的执行次数是一个常数，一般来说，只要算法中不存在循环语句，其时间复杂度就是Ο(1)。Ο(log2n)、Ο(n)、Ο(nlog2n)、Ο(n2)和Ο(n3)称为多项式时间，而Ο(2n)和Ο(n!)称为指数时间。计算机科学家普遍认为前者是有效算法，把这类问题称为P类问题，而把后者称为NP问题。
(1)两层循环，每层执行n次，时间复杂度为O(n^2)
(2)也是两层循环，可以算出总共执行了多少次，其中n的最高次数为2，所以时间复杂度也为O(n^2)
(3)同上，O(n^2)
(4)循环体执行次数为n-1，时间复杂度为O(n)
(5)三层循环，每层执行n次，时间复杂度为O(n^3)
数据结构课程中，对算法进行评估要求不是很高，只需大致算出语句执行了多少次即可，常见的、能写成小段代码考察的一般都是O(n^2)、O(n)、O(n^3)，O(log N)的就那么几个，记住就行。
1.意思就是i是从1开始到n ，j也是从1开始到n
2.j（1）就是i等于1的时候算的值，依次类推j（n）就是当i=n的时候
3.这个公式的意思就是累加和，也就是j（1）+j（2）+。。。+j(n) ,而每一个j都要经过一个i的值进行一次运算。所以时间复杂度就是为n
3.再给你个例子
for（i = 1；i n; i++){
for(j = 1; j n; j++){}}
如此的话，时间复杂度就是为n*n
（1）时间频度 一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。 （2）时间复杂度 在刚才提到的时间频度中，n称为问题的规模，当n不断变化时，时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此，我们引入时间复杂度概念。 一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n),使得当n趋近于无穷大时，T（n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=Ｏ(f(n)),称Ｏ(f(n)) 为算法的渐进时间复杂度，简称时间复杂度。 在各种不同算法中，若算法中语句执行次数为一个常数，则时间复杂度为O(1),另外，在时间频度不相同时，时间复杂度有可能相同，如T(n)=n2+3n+4与T(n)=4n2+2n+1它们的频度不同，但时间复杂度相同，都为O(n2)。 按数量级递增排列，常见的时间复杂度有： 常数阶O(1),对数阶O(log(2)n),线性阶O(n), 线性对数阶O(nlog(2)n),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)。随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低。