1.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，它定量描述了算法的运行时间。一个算法所花费的时间与其中语句的执行次数成正比列，算法中的基本操作的执行次数，为算法的时间复杂度
例1：
计算Func1中++count执行的次数
void Func1(int N)
{
int count = 0;
for(int i = 0; i < N; ++i)
{
for(int j = 0; j < N; ++j)
{
++count;
}
}
for(int i = 0; i < 2 * N; ++i)
{
++count;
}
int M = 10;
while(M--)
{
++count;
}
printf("%d\n", count);
}Func1的基本操作次数：F(N) = N^2 + 2 * N + 10来分析一下是为什么？
首先可以看到这段代码有三个循环
第一个是由两个for内外嵌套组成：每次循环N次，执行了N次，即N + N + N.....=N * N = N^2 次
第二个循环执行了 2*N 次
第三个循环执行了 10 次
如果每个时间复杂度都要这么表示的话那太复杂了，所以我们只取最大量级来表示这段代码的时间复杂度
当N = 10时：F(N) = 130
当N = 20时：F(N) = 10210
当N = 30时：F(N) = 1002010
当我们的N取无穷大时 2 * N + 10这两个项对结果的影响已经不大了可以忽略不计，所以说只需要取N^2来表示它的时间复杂度就可以了
所以这段代码Func1的时间复杂度为: O(N ^ 2)
2.大O的渐进表示法
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来取代运行时间中的所有加法常数
（2）.在修改后的运行次数的函数中，只保留最高阶项
（3）.如果最高阶存在且不是1，则去除与这个项目相乘的常数，得到的结果就是大O阶
通过上面一个例子我们可以发现大O渐进表示法去掉了那些对结果影响不大的项，简洁明了的表示出了执行次数
我们来计算几道代码的时间复杂度
例1：
void Func2(int N)
{
int count = 0;
for(int i = 0; i < 2 * N; i++)
{
++count;
}
int M = 10;
while(M--)
{
++count;
}
printf("%d", count);
}
F(N) = 2 * N +10
去掉与最高阶相乘的常熟和10使用大O渐进法表示法该段代码的时间复杂度为：O(N)
例2：
void Func3(int M, int N)
{
int count = 0;
for(int i = 0; i < M; i++)
{
++count;
}
for(int j = 0; j < N; j++)
{
++count;
}
printf("%d\n", count);
}使用大O渐进法表示法该段代码的时间复杂度为：O(N + M)
因为M和N是未知的所以不能去掉它们两个任意一个
如果N大于M，则可以去掉M，反之可以去掉N，相等可任取M和N中任何一个
例3：
void Func4(int N)
{
int count = 0;
for(i = 0; i < 100: i++)
{
++count;
}
printf("%d\n", count);
}F(N) = 100
执行了100次，但是我们用1来表示
使用大O渐进法表示法该段代码的时间复杂度为：O(1)
注：这里的1表示代表1次，而是常数次
3.时间复杂度的最好，最坏和平均情况
另外有些算法的时间复杂度存在最好，平均，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：任意输入规模最小运行次数(下界)
例4：
char* strchr(const char * str, int character)
{
while(*Str)
{
if(*str == character)
{
return str;
}
str++;
}
return NULL;
}例如：在一个长度为N的数组中找一个数据x
最好情况：1次找到
平均情况：N/2次找到
最坏情况：N次找到
在实际情况中一般关注的是算法的最坏运行情况，所以该段代码的时间复杂度为：O(N)
例5：
void BubbleSort(int *a, int n)
{
assert(a);
for(int end = n; end > 1; --end)
{
for(int i = 1; i < end; i++)
{
if(a[i - 1] > a[i])
{
int tmp = a[i];
a[i] = a[i + 1];
a[i + 1] = tmp;
}
}
}
}最好情况：O(N)
最坏情况将两个for循环跑满
外循环为n时，内循环循环n - 1次 然后按顺序n - 2, n-3, ....., 3, 2, 1通过判断可以知道这是一个等差数列，所以它的总和就为：n(n - 1 + 1)/2 = n^2*1/2 即最坏情况：O(N^2)
使用大O渐进法表示法去掉常数该段代码的时间复杂度为：O(N^2)
例6：
在数组有序的情况下：可以使用二分法（折半查找）
int binarysearch(int *a，int n, int x)
{
int begin = 0;
int end = n - 1;
while(begin <= end)
{
int mid = begin + ((end - begin)>>1);
if(a[mid] > x)
{
end = a[mid] - 1;
}
else if(a[mid] < x)
{
begin = a[mid] + 1;
}
else
{
return mid;
}
}
return -1;
}最好情况：O(1)
最坏情况：区间缩放到一个值，要么找到，要么找不到，假设N为数组个数，x是最坏查找次数N每次除2就等于查找一次，折半查找多少次就除多少个2
N/2/2/2..../2 = 1, 因为n为int所以最小二分到1，2^x = N 即：x = logN（log在时间复杂度中表示以2为底）所以最坏情况：O(logN)
例7：
long long fac(size_t N)
{
if(N == 0)
return 1;
else
return fac(N - 1) * N;
}使用大O渐进法表示法该段代码的时间复杂度为：O(N)
例8：
long long Fib(int n)
{
if(n < 3)
{
return 1;
}
else
{
return Fib(n - 1) + Fib(n - 2);
}
}最好情况：O(1)
可以观察到该递归的方式为等差数列我们用求和公式可以得出：2^(N-1)-1
最坏情况用大O渐进表示法：O(2^N)
总结以上时间复杂度：O(1)>O(logN)>O(N)>O(N^2)>O(N^3)>O(2*N)
