漫画：什么是时间复杂度？

Bertha 。 2023-07-22 06:58 28阅读 0赞

![format_png][]

![format_png 1][]

![format_png 2][]

![format_png 3][]

![format_png 4][]

![format_png 5][]

**时间复杂度的意义**

究竟什么是时间复杂度呢？让我们来想象一个场景：某一天，小灰和大黄同时加入了一个公司......

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg]

一天过后，小灰和大黄各自交付了代码，两端代码实现的功能都差不多。大黄的代码运行一次要花100毫秒，内存占用5MB。小灰的代码运行一次要花100秒，内存占用500MB。于是......

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 1]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 2]

由此可见，衡量代码的好坏，包括两个非常重要的指标：

1.运行时间；

2.占用空间。

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 3]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 4]

**![640?wx\_fmt=png][640_wx_fmt_png]**

**基本操作执行次数**

关于代码的基本操作执行次数，我们用四个生活中的场景，来做一下比喻：

**场景1：**给小灰一条长10寸的面包，小灰每3天吃掉1寸，那么吃掉整个面包需要几天？

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 5]

答案自然是 3 X 10 = 30天。

如果面包的长度是 N 寸呢？

此时吃掉整个面包，需要 3 X n = 3n 天。

如果用一个函数来表达这个相对时间，可以记作 T（n） = 3n。

**场景2：**给小灰一条长16寸的面包，小灰每5天吃掉面包剩余长度的一半，第一次吃掉8寸，第二次吃掉4寸，第三次吃掉2寸......那么小灰把面包吃得只剩下1寸，需要多少天呢？

这个问题翻译一下，就是数字16不断地除以2，除几次以后的结果等于1？这里要涉及到数学当中的对数，以2位底，16的对数，可以简写为log16。

因此，把面包吃得只剩下1寸，需要 5 X log16 = 5 X 4 = 20 天。

如果面包的长度是 N 寸呢？

需要 5 X logn = 5logn天，记作 T（n） = 5logn。

**场景3：**给小灰一条长10寸的面包和一个鸡腿，小灰每2天吃掉一个鸡腿。那么小灰吃掉整个鸡腿需要多少天呢？

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 6]

答案自然是2天。因为只说是吃掉鸡腿，和10寸的面包没有关系 。

如果面包的长度是 N 寸呢？

无论面包有多长，吃掉鸡腿的时间仍然是2天，记作 T（n） = 2。

**场景4：**给小灰一条长10寸的面包，小灰吃掉第一个一寸需要1天时间，吃掉第二个一寸需要2天时间，吃掉第三个一寸需要3天时间.....每多吃一寸，所花的时间也多一天。那么小灰吃掉整个面包需要多少天呢？

答案是从1累加到10的总和，也就是55天。

如果面包的长度是 N 寸呢？

此时吃掉整个面包，需要 1+2+3+......+ n-1 + n = (1+n)\*n/2 = 0.5n^2 + 0.5n。

记作 T（n） = 0.5n^2 + 0.5n。

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 7]

上面所讲的是吃东西所花费的相对时间，这一思想同样适用于对程序基本操作执行次数的统计。刚才的四个场景，分别对应了程序中最常见的四种执行方式：

**场景1：**T（n） = 3n，执行次数是线性的。

void eat1(int n){
        for(int i=0; i<n; i++){;
            System.out.println("等待一天");
            System.out.println("等待一天");
            System.out.println("吃一寸面包");
        }
    }
    vo

**场景2：**T（n） = 5logn，执行次数是对数的。

void eat2(int n){
       for(int i=1; i<n; i*=2){
           System.out.println("等待一天");
           System.out.println("等待一天");
           System.out.println("等待一天");
           System.out.println("等待一天");
           System.out.println("吃一半面包");
       }
    }

**场景3：**T（n） = 2，执行次数是常量的。

void eat3(int n){
       System.out.println("等待一天");
       System.out.println("吃一个鸡腿");
    }

**场景4：**T（n） = 0.5n^2 + 0.5n，执行次数是一个多项式。

void eat4(int n){
       for(int i=0; i<n; i++){
           for(int j=0; j<i; j++){
               System.out.println("等待一天");
           }
           System.out.println("吃一寸面包");
       }
    }

**![640?wx\_fmt=png][640_wx_fmt_png 1]**

**渐进时间复杂度**

有了基本操作执行次数的函数 T（n），是否就可以分析和比较一段代码的运行时间了呢？还是有一定的困难。

比如算法A的相对时间是T（n）= 100n，算法B的相对时间是T（n）= 5n^2，这两个到底谁的运行时间更长一些？这就要看n的取值了。

所以，这时候有了渐进时间复杂度（asymptotic time complectiy）的概念，官方的定义如下：

若存在函数 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。

渐进时间复杂度用大写O来表示，所以也被称为大O表示法。

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 8]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 9]

**如何推导出时间复杂度呢？有如下几个原则：**

1.  如果运行时间是常数量级，用常数1表示；
2.  只保留时间函数中的最高阶项；
3.  如果最高阶项存在，则省去最高阶项前面的系数。

**让我们回头看看刚才的四个场景。**

**场景1：**

T（n） = 3n

最高阶项为3n，省去系数3，转化的时间复杂度为：

T（n） =  O（n）

![640?wx\_fmt=png][640_wx_fmt_png 2]

**场景2：**

T（n） = 5logn

最高阶项为5logn，省去系数5，转化的时间复杂度为：

T（n） =  O（logn）

![640?wx\_fmt=png][640_wx_fmt_png 3]

**场景3：**

T（n） = 2

只有常数量级，转化的时间复杂度为：

T（n） =  O（1）

![640?wx\_fmt=png][640_wx_fmt_png 4]

**场景4：**

T（n） = 0.5n^2 + 0.5n

最高阶项为0.5n^2，省去系数0.5，转化的时间复杂度为：

T（n） =  O（n^2）

![640?wx\_fmt=png][640_wx_fmt_png 5]

这四种时间复杂度究竟谁用时更长，谁节省时间呢？稍微思考一下就可以得出结论：

O（1）< O（logn）< O（n）< O（n^2）

在编程的世界中有着各种各样的算法，除了上述的四个场景，还有许多不同形式的时间复杂度，比如：

O（nlogn）, O（n^3）, O（m\*n），O（2^n），O（n！）

今后遨游在代码的海洋里，我们会陆续遇到上述时间复杂度的算法。

![640?wx\_fmt=png][640_wx_fmt_png 6]

**![640?wx\_fmt=png][640_wx_fmt_png 7]**

**时间复杂度的巨大差异**

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 10]

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 11]

我们来举过一个栗子：

算法A的相对时间规模是T（n）= 100n，时间复杂度是O(n)

算法B的相对时间规模是T（n）= 5n^2，时间复杂度是O(n^2)

算法A运行在小灰家里的老旧电脑上，算法B运行在某台超级计算机上，运行速度是老旧电脑的100倍。

那么，随着输入规模 n 的增长，两种算法谁运行更快呢？

![640?wx\_fmt=png][640_wx_fmt_png 8]

从表格中可以看出，当n的值很小的时候，算法A的运行用时要远大于算法B；当n的值达到1000左右，算法A和算法B的运行时间已经接近；当n的值越来越大，达到十万、百万时，算法A的优势开始显现，算法B则越来越慢，差距越来越明显。

这就是不同时间复杂度带来的差距。

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg 12]

[format_png]: /images/20230528/6b0865f5b7b34ec1aa670ff083a79f8d.png
[format_png 1]: /images/20230528/fb172804e48c466bac785358ebb48688.png
[format_png 2]: /images/20230528/b1e4e537885c4c198c586b2ca804b7b2.png
[format_png 3]: /images/20230528/e294169a31e345168959408aeb2715ee.png
[format_png 4]: /images/20230528/7cda7dceb10d47d7a001e104c0bdc271.png
[format_png 5]: /images/20230528/239632cfdbfb4fa2939ca4a0b22c7de1.png
[640_wx_fmt_jpeg]: /images/20230528/cee4ef6f0724433bb86cb397a6550ecd.png
[640_wx_fmt_jpeg 1]: /images/20230528/f25ad52390a9460a9e14d5d676df888d.png
[640_wx_fmt_jpeg 2]: /images/20230528/de4c80ad73d9458e85d662841e6904f6.png
[640_wx_fmt_jpeg 3]: /images/20230528/cbe253f9eb944a4ea4bb6b9dcdcc3361.png
[640_wx_fmt_jpeg 4]: /images/20230528/a8b6eca654094a8aa50a055cdc9032a6.png
[640_wx_fmt_png]: /images/20230528/b094ab3d8a8a4b1791f4c9a6d2723809.png
[640_wx_fmt_jpeg 5]: /images/20230528/3d0345990cfb43c28193eb3b2e5f4c04.png
[640_wx_fmt_jpeg 6]: /images/20230528/e9a6137949264adcaa26e7fd41615a1e.png
[640_wx_fmt_jpeg 7]: /images/20230528/5aa708f3ddbe49efaab6321a39562a7c.png
[640_wx_fmt_png 1]: /images/20230528/4719dcf755fa4329bf9cb54ff6793c2e.png
[640_wx_fmt_jpeg 8]: /images/20230528/563e1cb0f43c46ecb2ab2c8dc515b91b.png
[640_wx_fmt_jpeg 9]: /images/20230528/55f935f1afa842d5976ef1356748f258.png
[640_wx_fmt_png 2]: /images/20230528/20d91dbfaaf84be8bda5f9a7a61f7cd7.png
[640_wx_fmt_png 3]: /images/20230528/3a034a7ad41b44d7b2e74bc6cc5be0bf.png
[640_wx_fmt_png 4]: /images/20230528/001202dfa1624135bd92bdeee06d20c3.png
[640_wx_fmt_png 5]: /images/20230528/bc86ba4d2f2546a593014f80f9f383ae.png
[640_wx_fmt_png 6]: /images/20230528/e51d297437b84b8ca641a533adaecff4.png
[640_wx_fmt_png 7]: /images/20230528/398f0130d8ee4771ac232d6cd58c663d.png
[640_wx_fmt_jpeg 10]: /images/20230528/e45587ff4fd6483ca4f6b04063271f2b.png
[640_wx_fmt_jpeg 11]: /images/20230528/2e3e4c8f3dd94689b419733b80608c48.png
[640_wx_fmt_png 8]: /images/20230528/53a99788629c4b41ab388e3efc1b7ad1.png
[640_wx_fmt_jpeg 12]: /images/20230528/7ec9a0442c974241a5ec5156d03c84fa.png