算法复杂度精讲——算法时间复杂度的数学原理：从O（n（log（n））说起

概述：在设计算法的时候，要考虑两个方面，一个是算法的正确性，另外一个就是算法的效率，也就是复杂度，通常情况下，我们优先考虑的是时间复杂度，这也是本文要讨论的内容。算法学习的时候，经常碰到这样的问题，为什么快速排序的时间复杂度是O(nlog(n))?为何插入排序的时间复杂度是O（n^2）？这些是我们熟悉的算法时间复杂度，可能病没有太大的问题，那我们不熟悉的呢？如果我们采用三路归并排序而不是二路归并排序，时间复杂度是多少呢？一个排序算法经过某种变形以后时间复杂度又是多少呢？本文，主要从数学底层，讲述一个算法时间复杂度是如何推导的。让你真正知其所以然，而不仅仅是总是心中存有疑惑：为何快排的时间复杂度会是这么奇怪的O（nlog（n））

1.数学基础知识

首先，介绍以下数学基础知识，这些基本都分布在高等数学和离散数学之中，不进行数学推导。

一些不等式：

  

无论是归并还是快速排序，我们都可以把它们归结到递归/分治这一类问题的求解，他们具有一个一般性的时间复杂度表述：

这个等式的意义是：规模是n的问题可以拆分成a个规模是n/b的问题，那么它的时间复杂度就等于a个规模是n/b的问题，加上一次分解耗费的时间D（n）和一次合并耗费的时间C（n）。第二部分到第四部分将介绍三种求解这个方程式的方法。

2.递归树方法

这是一种最直观的方法，它把上述等式形象化，然后进行求解，我们通过一个例子来说明这个情况。

例子：利用递归树求解T(n)=T(n/10)+T(9n/10)+cn

划出递归树如下：

关键点：求出树的深度和每层的代价（注意，此例中因为每层的代价都相同，所以比较好求解；但在其他情况下，可能是每层代价不同，而是一个等比数列或者其他形式的数列）

1）其中，树的深度容易求解:n-->9/10n-->81/100(n)......n/n=1

也就是说，这个递归下降满足这个趋势（其中b=10/9）：

于是

所以

2）第i层的代价：

每层的规模分别是1/10n和9/10n，而每个节点的代价是cn/10和9cn/10，所以加在一块是cn。

3）总代价：

所以

T（n）=O（nlgn）

3.主方法

形如下列表达式的算法复杂度表述

T（n）=aT（n/b）+f（n）（a>=1,b>1）

主方法的证明：参考算法导论第四章

最终利用等比数列的求和公式即可求解。

4.替换代换法

说明：此种方法需要凭借一定的经验，有点类似于数学归纳法，先猜测后证明。

1）步骤：猜测时间复杂度的表述形似

2）要点：猜测要准确，归纳假设要足够强，避免弱化证明。替换非多项式变量

对于边界问题：可采用移动边界和强化归纳假设的方式加以解决。

实例：

1）证明T（n）=T（n/2）+n的时间复杂度位O（nlogn）

令T（n）

则

说明：此种算法复杂度的计算对以分支法为基础的算法比较有效。