一个演算法的时间复杂度是什么函式？
一个演算法的时间复杂度是什么函式？
时间复杂度是度量演算法执行的时间长短，演算法的时间复杂度记做：T（n）=O（f（n））
分析：随着模组n的增大，演算法执行的时间的增长率和f（n）的增长率成正比，所以f（n）越小，演算法的时间复杂度越低，演算法的效率越高。
在计算时间复杂度的时候，先找出演算法的基本操作，然后根据相应的各语句确定它的执行次数，再找出T（n）的同数量级（它的同数量级有以下：1，Log2n ，n ，nLog2n ，n的平方，n的三次方，2的n次方，n！），找出后，f（n）=该数量级，若T(n)/f(n)求极限可得到一常数c，则时间复杂度T（n）=O（f（n））
演算法的复杂度主要包括演算法的时间复杂度和空间复杂度，演算法的时间复杂度是指
时间复杂度考虑的是演算法的执行时间，因此是D
演算法的时间复杂度
当然应该是O(n^2)
----------------------------------------------------------
演算法分析，就是复杂度的问题。
复杂度只算“最要命的”，比如，执行n^2的演算法前来个快排根本不拖速度，n^2多的都豁出去了不在乎区区一个nlogn。
书里对复杂度进行了严格的定义，包括O()、o()、Θ()、Ω()四种符号。
简单地说，
O(n^2)就是顶破天了搞个n^2次；
o(n^2)就是天花板不到n^2，比n^2矮一点（比如希尔排序就是o(n^2)，因为它再倒霉也达不到n^2）；
Ω(n^2)就是说某个演算法随便怎么至少都要耗费n^2，比如所有基于比较的排序都是Ω(nlogn)；
Θ(n^2)就是说它即是O(n^2)又是Ω(n^2)，被天花板和水泥地夹在中间了，动不了了，就是它了。
1、时间复杂度
（1）时间频度
一个演算法执行所耗费的时间，从理论上是不能算出来的，必须上机执行测试才能知道。但我们不可能也没有必要对每个演算法都上机测试，只需知道哪个演算法花费的时间多，哪个演算法花费的时间少就可以了。并且一个演算法花费的时间与演算法中语句的执行次数成正比例，哪个演算法中语句执行次数多，它花费时间就多。一个演算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
（2）时间复杂度
在刚才提到的时间频度中，n称为问题的规模，当n不断变化时，时间频度T(n)也会不断变化。但有时我们想知道它变化时呈现什么规律。为此，我们引入时间复杂度概念。
一般情况下，演算法中基本操作重复执行的次数是问题规模n的某个函式，用T(n)表示，若有某个辅助函式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)的同数量级函式。记作T(n)=O(f(n)),称O(f(n)) 为演算法的渐进时间复杂度，简称时间复杂度。
在各种不同演算法中，若演算法中语句执行次数为一个常数，则时间复杂度为O(1),另外，在时间频度不相同时，时间复杂度有可能相同，如T(n)=n^2+3n+4与T(n)=4n^2+2n+1它们的频度不同，但时间复杂度相同，都为O(n^2)。
按数量级递增排列，常见的时间复杂度有：
常数阶O(1),对数阶O(log2n),线性阶O(n),
线性对数阶O(nlog2n),平方阶O(n^2)，立方阶O(n^3),...，
k次方阶O(nk),指数阶O(2n)。随着问题规模n的不断增大，上述时间复杂度不断增大，演算法的执行效率越低。
2、空间复杂度
与时间复杂度类似，空间复杂度是指演算法在计算机内执行时所需储存空间的度量。记作:
S(n)=O(f(n))
我们一般所讨论的是除正常占用记忆体开销外的辅助储存单元规模。讨论方法与时间复杂度类似，不再赘述。
在一般情况下，一个演算法的时间复杂度是（关于问题规模n）的函式。 设待处理问题的规模为n，若一个演算法的时间复杂度为一个常数，则表示成数量级的形式为（O（1）），若为n*log25n，则表示成数量级的形式为（O（nlogn） ）。
演算法的时间复杂度是指？空间复杂度是指？
时间复杂度指的是随着资料规模的增大时间的增率，比如资料量为n，花的时间为n^2，复杂度就是n^2，同理空间复杂度指的是记忆体的开销。最次的情况就是阶乘级别的复杂度，这种演算法是不能用的。
求一个演算法的时间复杂度
for(i=2;i<=n;++i) 即 复杂度为（n-1），第二重回圈for(j=2;j<=i-1;++j)即（1+2+...+n-2）即（1+n-2）*（n-2）/2 ，两重回圈相乘，即（n-1）*（n-1）*（n-2）/2
演算法的时间复杂度指？
指演算法执行过程中所需要的基本运算次数。
什么是演算法的时间复杂度
由于计算机执行计算是需要时间的，因此对于一个演算法的好坏，我们需要估计它需要多久才能完成计算。不过计算机耗费的时间是在执行指令上的，因此我们所估计的时间复杂度实际上是估计一个程式，相对于它的输入，它执行多少条指令才能给出答案。如果我们有n个输入，那么T(n)表示的是它所执行的指令数，再将T(n)乘上每条指令执行的时间，就是实际耗费的时间。但是每条指令执行的时间是由计算机配置好坏决定的，因此无法用来评价演算法的好坏，所以我们用T(n)，即演算法相对于输入所执行的指令数，来表示演算法的时间复杂度。
是说明一个程式根据其资料n的规模大小 所使用的大致时间和空间
说白了 就是表示 如果随着n的增长 时间或空间会以什么样的方式进行增长
例
for(int i = 0; i < n;++i)
;
这个回圈执行n次 所以时间复杂度是O(n)
for(int i = 0; i< n;++i)
{
for(int j = 0; j< n;++j)
;
}
这巢状的两个回圈 而且都执行n次
那么它的时间复杂度就是 O(n^2)
时间复杂度只能大概的表示所用的时间
而一些基本步骤 所执行的时间不同 我们无法计算 所以省略
如
for(int i = 0;i < n;++i)
a = b;
和
for(int i = 0;i < n;++i)
;
这个执行的时间当然是第二个快 但是他们的时间复杂度都是 O(n)
判断时间复杂度看回圈
