本文为大家讲解了python算法表示概念，供大家参考，具体内容如下
常数阶O(1)
常数又称定数，是指一个数值不变的常量，与之相反的是变量
为什么下面算法的时间复杂度不是O(3)，而是O(1)。
|
1
2
3
|
int sum = 0,n = 100; /*执行一次*/sum = （1+n）*n/2; /*执行一次*/printf（"%d", sum）; /*行次*/ |
这个算法的运行次数函数是f（n）=3。根据我们推导大O阶的方法，第一步就是把常数项3改为1。在保留最高阶项时发现，它根本没有最高阶项，所以这个算法的时间复杂度为O(1)。
另外，我们试想一下，如果这个算法当中的语句sum=（1+n）*n/2有10句，即：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
int sum = 0, n = 100; /*执行1次*/sum = （1+n）*n/2; /*执行第1次*/sum = （1+n）*n/2; /*执行第2次*/sum = （1+n）*n/2; /*执行第3次*/sum = （1+n）*n/2; /*执行第4次*/sum = （1+n）*n/2; /*执行第5次*/sum = （1+n）*n/2; /*执行第6次*/sum = （1+n）*n/2; /*执行第7次*/sum = （1+n）*n/2; /*执行第8次*/sum = （1+n）*n/2; /*执行第9次*/sum = （1+n）*n/2; /*执行第10次*/printf（"%d",sum）; /*执行1次*/ |
事实上无论n为多少，上面的两段代码就是3次和12次执行的差异。这种与问题的大小无关（n的多少），执行时间恒定的算法，我们称之为具有O(1)的时间复杂度，又叫常数阶。
注意：不管这个常数是多少，我们都记作O(1)，而不能是O(3)、O(12)等其他任何数字，这是初学者常常犯的错误。
推导大O阶方法
1.用常数1取代运行时间中的所有加法常数
2.在修改后的运行次数函数中，只保留最高阶项
3.如果最高阶项存在且不是1，则去除与这个项相乘的常数
对数阶O(log2n)
对数
如果a的x次方等于N（a>0，且a不等于1），那么数x叫做以a为底N的对数（logarithm），记作x=logaN, 。其中，a叫做对数的底数，N叫做真数。
5^2 = 25 , 记作 2= log5 25
对数是一种运算，与指数是互逆的运算。例如
① 3^2=9 <==> 2=log<3>9；
② 4^(3/2)=8 <==> 3/2=log<4>8；
③ 10^n=35 <==> n=lg35。为了使用方便，人们逐渐把以10为底的常用对数记作lgN
对数阶
|
1
2
3
4
5
|
int count = 1; while (count < n) { count = count * 2; /* 时间复杂度为O(1)的程序步骤序列 */} |
由于每次count乘以2之后，就距离n更近了一分。
也就是说，有多少个2相乘后大于n，则会退出循环。
由2^x=n得到x=log2n。所以这个循环的时间复杂度为O(logn)。
线性阶O(n)
执行时间随问题规模增长呈正比例增长
|
1
2
3
4
5
|
data = [ 8,3,67,77,78,22,6,3,88,21,2]find_num = 22for i in data: if i == 22: print("find",find_num,i ) |
线性对数阶O(nlog2n)
平方阶O(n^2)
|
1
2
3
4
|
for i in range(100): for k in range(100): print(i,k) |
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。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
