编辑“︁时间复杂度”︁

{{DISPLAYTITLE:时间复杂度}}

'''时间复杂度'''（Time Complexity）是计算机科学中用于描述算法运行时间随输入规模增长而变化的度量方式。它是算法分析的核心概念之一，帮助开发者评估算法效率并选择最优解决方案。本文将从基础概念出发，逐步深入讲解时间复杂度的定义、表示方法、常见类型及实际应用。

== 基本概念 ==
时间复杂度不直接计算算法的具体执行时间（受硬件、编程语言等因素影响），而是通过数学方法分析算法中'''基本操作执行次数'''与输入规模（通常记作<math>n</math>）的关系。其核心目标是回答：当<math>n</math>趋近于无穷大时，算法的运行时间如何增长？

=== 大O符号 ===
时间复杂度通常用'''大O符号'''（Big O notation）表示，描述算法的最坏情况下的渐进上界。定义如下：
<math>O(g(n)) = \{ f(n) : \exists c > 0, n_0 > 0 \text{ 使得 } 0 \leq f(n) \leq c \cdot g(n) \text{ 对所有 } n \geq n_0 \text{ 成立} \}</math>

== 常见时间复杂度类型 ==
以下是程序员必须掌握的几种典型时间复杂度（按效率从高到低排序）：

=== 常数时间 O(1) ===
算法执行时间与输入规模无关。例如访问数组元素：
<syntaxhighlight lang="python">
def get_first_element(arr):
    return arr[0]  # 无论arr多大，操作次数固定
</syntaxhighlight>

=== 对数时间 O(log n) ===
常见于二分查找等分治算法。每次操作将问题规模减半：
<syntaxhighlight lang="python">
def binary_search(arr, target):
    left, right = 0, len(arr) - 1
    while left <= right:
        mid = (left + right) // 2
        if arr[mid] == target:
            return mid
        elif arr[mid] < target:
            left = mid + 1
        else:
            right = mid - 1
    return -1
</syntaxhighlight>

=== 线性时间 O(n) ===
执行时间与输入规模成正比。例如遍历数组：
<syntaxhighlight lang="python">
def linear_search(arr, target):
    for i in range(len(arr)):
        if arr[i] == target:
            return i
    return -1
</syntaxhighlight>

=== 线性对数时间 O(n log n) ===
高效排序算法（如归并排序、快速排序）的典型复杂度：
<syntaxhighlight lang="python">
def merge_sort(arr):
    if len(arr) <= 1:
        return arr
    mid = len(arr) // 2
    left = merge_sort(arr[:mid])
    right = merge_sort(arr[mid:])
    return merge(left, right)  # merge操作时间复杂度为O(n)
</syntaxhighlight>

=== 平方时间 O(n²) ===
常见于嵌套循环，如冒泡排序：
<syntaxhighlight lang="python">
def bubble_sort(arr):
    n = len(arr)
    for i in range(n):
        for j in range(0, n-i-1):
            if arr[j] > arr[j+1]:
                arr[j], arr[j+1] = arr[j+1], arr[j]
</syntaxhighlight>

=== 指数时间 O(2ⁿ) ===
穷举算法（如解决汉诺塔问题）的典型特征，性能随输入规模急剧下降。

== 复杂度对比可视化 ==
<mermaid>
lineChart
    title 时间复杂度增长趋势
    x-axis n: 1, 2, 5, 10, 20, 50
    y-axis Operations: 0, 50
    O(1): 1, 1, 1, 1, 1, 1
    O(log n): 0, 1, 2.32, 3.32, 4.32, 5.64
    O(n): 1, 2, 5, 10, 20, 50
    O(n log n): 0, 2, 11.6, 33.2, 86.4, 282
    O(n²): 1, 4, 25, 100, 400, 2500
    O(2ⁿ): 2, 4, 32, 1024, 1048576, 1.125e+15
</mermaid>

== 实际案例分析 ==
=== 案例1：社交媒体好友推荐 ===
假设需要计算用户之间的共同好友数量：
* '''暴力解法'''：遍历所有用户对（O(n²)），当用户量达百万级时不可行。
* '''优化方案'''：使用哈希表存储好友关系（O(n)预处理），查询时取交集（O(min(m,k))），整体复杂度降至O(n + q×m)，其中q是查询次数。

=== 案例2：数据库索引设计 ===
数据库使用B树（时间复杂度O(log n)）而非二叉搜索树（最坏O(n)）作为索引结构，确保即使数据量增长，查询时间仍保持稳定。

== 进阶话题 ==
=== 均摊分析 ===
某些操作（如动态数组扩容）的'''单次'''时间复杂度可能很高（O(n)），但经过多次操作'''均摊'''后实际为O(1)。例如Python列表的.append()方法。

=== 空间与时间的权衡 ===
通过增加内存使用（如缓存、预计算）降低时间复杂度是常见优化手段。例如：
<syntaxhighlight lang="python">
# 预计算斐波那契数列（空间换时间）
fib_cache = {}
def fibonacci(n):
    if n in fib_cache:
        return fib_cache[n]
    if n <= 1:
        result = n
    else:
        result = fibonacci(n-1) + fibonacci(n-2)
    fib_cache[n] = result
    return result
</syntaxhighlight>

== 常见误区 ==
* '''误区1'''：认为O(100n)比O(n²)差（实际上常数因子不影响渐进复杂度）
* '''误区2'''：忽略隐藏成本（如字符串拼接在Python中为O(n)，而非O(1)）
* '''误区3'''：过早优化（应先保证正确性，再分析瓶颈）

== 总结 ==
理解时间复杂度是写出高效算法的基石。建议通过以下步骤实践：
# 写出算法伪代码
# 统计基本操作次数与<math>n</math>的关系
# 用大O表示法简化表达式
# 对比不同方案的复杂度曲线

{{重要提示|在实际工程中，还需结合'''常数因子'''、'''数据特征'''（如是否已排序）和'''硬件特性'''进行综合评估。}}

[[Category:计算机科学]]
[[Category:面试技巧]]
[[Category:算法基础]]