拜托，面试别再问我时间复杂度了！！！

最烦面试官问，拜托“为什么XX算法的面试时间复杂度是OO”，今后，别再不再惧怕这类问题。间复

快速排序分为这么几步：

***步，杂度先做一次partition;

partition使用***个元素t=arr[low]为哨兵，拜托把数组分成了两个半区：

左半区比t大 右半区比t小

第二步，面试左半区递归;

第三步，别再右半区递归;

伪代码为：

void quick_sort(int[]arr,间复 int low, int high){           if(low== high) return;          int i = partition(arr, low, high);          quick_sort(arr, low, i-1);          quick_sort(arr, i+1, high); } 

为啥，快速排序，杂度时间复杂度是拜托O(n*lg(n))呢?

今天和大家聊聊时间复杂度。

画外音：往下看，面试第三类方法很牛逼。别再

***大类，间复简单规则

为方便记忆，杂度先总结几条简单规则，热热身。

(1) 规则一：“有限次操作”的时间复杂度往往是O(1)。

例子：交换两个数a和b的值。

void swap(int& a, int& b){           int t=a;          a=b;          b=t; } 

分析：通过了一个中间变量t，进行了3次操作，交换了a和b的值，swap的时间复杂度是O(1)。

画外音：这里的有限次操作，云服务器是指不随数据量的增加，操作次数增加。

(2) 规则二：“for循环”的时间复杂度往往是O(n)。

例子：n个数中找到***值。

int max(int[] arr, int n){           int temp = -MAX;          for(int i=0;i<n;++i)                    if(arr[i]>temp) temp=arr[i];          return temp; } 

分析：通过一个for循环，将数据集遍历，每次遍历，都只执行“有限次操作”，计算的总次数，和输入数据量n呈线性关系。

(3) 规则三：“树的高度”的时间复杂度往往是O(lg(n))。

分析：树的总节点个数是n，则树的高度是lg(n)。

在一棵包含n个元素二分查找树上进行二分查找，其时间复杂度是O(lg(n))。

对一个包含n个元素的堆顶元素弹出后，调整成一个新的堆，其时间复杂度也是亿华云计算O(lg(n))。

第二大类：组合规则

通过简单规则的时间复杂度，来求解组合规则的时间复杂度。

例如：n个数冒泡排序。

void bubble_sort(int[] arr, int n){     for(int i=0;i<n;i++)        for(int j=0;j<n-i-1;j++)            if(arr[j]>arr[j+1])                 swap(arr[j], arr[j+1]); } 

分析：冒泡排序，可以看成三个规则的组合：

外层for循环 内层for循环 最内层的swap

故，冒泡排序的时间复杂度为：

O(n) * O(n) * O(1) = O(n^2) 

又例如：TopK问题，通过建立k元素的堆，来从n个数中求解***的k个数。

先用前k个元素生成一个小顶堆，这个小顶堆用于存储，当前***的k个元素。

接着，从第k+1个元素开始扫描，和堆顶(堆中最小的元素)比较，如果被扫描的元素大于堆顶，则替换堆顶的元素，并调整堆，以保证堆内的k个元素，总是当前***的网站模板k个元素。

直到，扫描完所有n-k个元素，最终堆中的k个元素，就是为所求的TopK。

伪代码：

heap[k] = make_heap(arr[1, k]); for(i=k+1 to n){           adjust_heap(heep[k],arr[i]); } return heap[k]; 

分析：可以看成三个规则的组合：

新建堆 for循环 调整堆

故，用堆求解TopK，时间复杂度为：

O(k) + O(n) * O(lg(k)) = O(n*lg(k)) 

画外音：注意哪些地方用加，哪些地方用乘;哪些地方是n，哪些地方是k。

第三大类，递归求解

简单规则和组合规则可以用来求解非递归的算法的时间复杂度。对于递归的算法，该怎么分析呢?

接下来，通过几个案例，来说明如何通分析递归式，来分析递归算法的时间复杂度。

(1) 案例一：计算 1到n的和，时间复杂度分析。

如果用非递归的算法：

int sum(int n){           int result=0;          for(int i=0;i<n;i++)                    result += i;          return result; } 

根据简单规则，for循环，sum的时间复杂度是O(n)。

但如果是递归算法，就没有这么直观了：

int sum(int n){           if (n==1) return 1;          return n+sum(n-1); } 

如何来进行时间复杂度分析呢?

用f(n)来表示数据量为n时，算法的计算次数，很容易知道：

当n=1时，sum函数只计算1次

画外音：if (n==1) return 1;

即：

f(1)=1【式子A】  不难发现，当n不等于1时：

f(n)的计算次数，等于f(n-1)的计算次数，再加1次计算

画外音：return n+sum(n-1);

即：

f(n)=f(n-1)+1【式子B】 

【式子B】不断的展开，再配合【式子A】：

画外音：这一句话，是分析这个算法的关键。

f(n)=f(n-1)+1 f(n-1)=f(n-2)+1 … f(2)=f(1)+1 f(1)=1 

上面共n个等式，左侧和右侧分别相加：

f(n)+f(n-1)+…+f(2)+f(1) = [f(n-1)+1]+[f(n-2)+1]+…+[f(1)+1]+[1] 

即得到：

f(n)=n 

已经有那么点意思了哈，再来个复杂点的算法。

(2) 案例二：二分查找binary_search，时间复杂度分析。

int BS(int[] arr, int low, int high, int target){           if (low>high) return -1;          mid = (low+high)/2;          if (arr[mid]== target) return mid;          if (arr[mid]> target)                   return BS(arr, low, mid-1, target);          else                   return BS(arr, mid+1, high, target); } 

二分查找，单纯从递归算法来分析，怎能知道其时间复杂度是O(lg(n))呢?

仍用f(n)来表示数据量为n时，算法的计算次数，很容易知道：

当n=1时，bs函数只计算1次

画外音：不用纠结是1次还是1.5次，还是2.7次，是一个常数次。

即：

f(1)=1【式子A】 

在n很大时，二分会进行一次比较，然后进行左侧或者右侧的递归，以减少一半的数据量：

f(n)的计算次数，等于f(n/2)的计算次数，再加1次计算

画外音：计算arr[mid]>target，再减少一半数据量迭代

即：

f(n)=f(n/2)+1【式子B】 

【式子B】不断的展开，

f(n)=f(n/2)+1 f(n/2)=f(n/4)+1 f(n/4)=f(n/8)+1 … f(n/2^(m-1))=f(n/2^m)+1 

上面共m个等式，左侧和右侧分别相加：

f(n)+f(n/2)+…+f(n/2^(m-1)) = [f(n/2)+1]+[f(n/4)+1]+…+[f(n/2^m)]+[1] 

即得到：

f(n)=f(n/2^m)+m 

再配合【式子A】：

f(1)=1 

即，n/2^m=1时, f(n/2^m)=1, 此时m=lg(n), 这一步，这是分析这个算法的关键。

将m=lg(n)带入，得到：

f(n)=1+lg(n) 

神奇不神奇?

***，大boss，快速排序递归算法，时间复杂度的分析过程。

(3) 案例三：快速排序quick_sort，时间复杂度分析。

void quick_sort(int[]arr, int low, inthigh){           if (low==high) return;          int i = partition(arr, low, high);          quick_sort(arr, low, i-1);          quick_sort(arr, i+1, high); } 

仍用f(n)来表示数据量为n时，算法的计算次数，很容易知道：

当n=1时，quick_sort函数只计算1次

f(1)=1【式子A】

在n很大时：

***步，先做一次partition; 第二步，左半区递归; 第三步，右半区递归;

即：

f(n)=n+f(n/2)+f(n/2)=n+2*f(n/2)【式子B】 

画外音：

partition本质是一个for，计算次数是n; 二分查找只需要递归一个半区，而快速排序左半区和右半区都要递归，这一点在分治法与减治法一章节已经详细讲述过;

【式子B】不断的展开，

f(n)=n+2*f(n/2) f(n/2)=n/2+2*f(n/4) f(n/4)=n/4+2*f(n/8) … f(n/2^(m-1))=n/2^(m-1)+2f(n/2^m) 

上面共m个等式，逐步带入，于是得到：

f(n)=n+2*f(n/2) =n+2*[n/2+2*f(n/4)]=2n+4*f(n/4) =2n+4*[n/4+2*f(n/8)]=3n+8f(n/8) =… =m*n+2^m*f(n/2^m) 

再配合【式子A】：

f(1)=1 

即，n/2^m=1时, f(n/2^m)=1, 此时m=lg(n), 这一步，这是分析这个算法的关键。

将m=lg(n)带入，得到：

f(n)=lg(n)*n+2^(lg(n))*f(1)=n*lg(n)+n 

故，快速排序的时间复杂度是n*lg(n)。

wacalei，有点意思哈!

画外音：额，估计83%的同学没有细究看，花5分钟细思上述过程，一定有收获。

总结

for循环的时间复杂度往往是O(n) 树的高度的时间复杂度往往是O(lg(n)) 二分查找的时间复杂度是O(lg(n))，快速排序的时间复杂度n*(lg(n)) 递归求解，未来再问时间复杂度，通杀

知其然，知其所以然。

思路比结论重要。

【本文为专栏作者“58沈剑”原创稿件，转载请联系原作者】

戳这里，看该作者更多好文