演算法的時間復雜度與什麼本身有關

1. 演算法的時間復雜度取決於什麼

演算法的時間復雜度取決於問題的規模，待處理數據的初態。

一個語句的頻度是指該語句在演算法中被重復執行的次數。演算法中所有語句的頻度之和記為T(n)，它是該演算法問題規模n的函數，時間復雜度主要分析T(n)的數量級。演算法中基本運算（最深層循環內的語句）的頻度與Tn)同數量級，因此通常採用演算法中基本運算的頻度fn)來分析演算法的時間復雜度3。

演算法的時間復雜度記為：T(n)= O(fn))式中，О 的含義是T(n)的數量級，其嚴格的數學定義是:若T(n)和fn)是定義在正整數集合上的兩個函數，則存在正常數C和n，使得當n≥no時，都滿足0≤T(n)≤Cfn)。

演算法的時間復雜度不僅依賴於問題的規模n，也取決於待輸入數據的性質（如輸入數據元素的初始狀態)。

2. 演算法的時間復雜度取決於

這個答案是D，看起來與C有關，但實際從理論知識層面，不能要。

3. 演算法的時間復雜度定義

一、概念
時間復雜度是總運算次數表達式中受n的變化影響最大的那一項(不含系數)
比如：一般總運算次數表達式類似於這樣：
a*2^n+b*n^3+c*n^2+d*n*lg(n)+e*n+f
a ！ =0時，時間復雜度就是O(2^n);
a=0,b<>0 =>O(n^3);
a,b=0,c<>0 =>O(n^2)依此類推
eg:
(1) for(i=1;i<=n;i++) //循環了n*n次，當然是O(n^2)
for(j=1;j<=n;j++)
s++;
(2) for(i=1;i<=n;i++)//循環了(n+n-1+n-2+...+1)≈(n^2)/2，因為時間復雜度是不考慮系數的，所以也是O(n^2)
for(j=i;j<=n;j++)
s++;
(3) for(i=1;i<=n;i++)//循環了(1+2+3+...+n)≈(n^2)/2,當然也是O(n^2)
for(j=1;j<=i;j++)
s++;
(4) i=1;k=0;
while(i<=n-1){
k+=10*i; i++; }//循環了n-1≈n次，所以是O(n)(5) for(i=1;i<=n;i++)
for(j=1;j<=i;j++)
for(k=1;k<=j;k++)
x=x+1;
//循環了(1^2+2^2+3^2+...+n^2)=n(n+1)(2n+1)/6(這個公式要記住哦)≈(n^3)/3，不考慮系數，自然是O(n^3)
另外，在時間復雜度中，log(2,n)(以2為底)與lg(n)(以10為底)是等價的，因為對數換底公式：
log(a,b)=log(c,b)/log(c,a)
所以，log(2,n)=log(2,10)*lg(n),忽略掉系數，二者當然是等價的
二、計算方法1.一個演算法執行所耗費的時間，從理論上是不能算出來的，必須上機運行測試才能知道。但我們不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時間多，哪個演算法花費的時間少就可以了。並且一個演算法花費的時間與演算法中語句的執行次數成正比例，哪個演算法中語句執行次數多，它花費時間就多。
一個演算法中的語句執行次數稱為語句頻度或時間頻度。記為T(n)。
2.一般情況下，演算法的基本操作重復執行的次數是模塊n的某一個函數f（n），因此，演算法的時間復雜度記做：T（n）=O（f（n））。隨著模塊n的增大，演算法執行的時間的增長率和f（n）的增長率成正比，所以f（n）越小，演算法的時間復雜度越低，演算法的效率越高。
在計算時間復雜度的時候，先找出演算法的基本操作，然後根據相應的各語句確定它的執行次數，再找出T（n）的同數量級（它的同數量級有以下：1，Log2n ，n ，nLog2n ，n的平方，n的三次方，2的n次方，n！），找出後，f（n）=該數量級，若T(n)/f(n)求極限可得到一常數c，則時間復雜度T（n）=O（f（n））。
3.常見的時間復雜度
按數量級遞增排列，常見的時間復雜度有：
常數階O(1), 對數階O(log2n), 線性階O(n), 線性對數階O(nlog2n), 平方階O(n^2)， 立方階O(n^3),...， k次方階O(n^k), 指數階O(2^n) 。
其中，1.O(n)，O(n^2)， 立方階O(n^3),...， k次方階O(n^k) 為多項式階時間復雜度，分別稱為一階時間復雜度，二階時間復雜度。。。。2.O(2^n)，指數階時間復雜度，該種不實用3.對數階O(log2n), 線性對數階O(nlog2n)，除了常數階以外，該種效率最高
例：演算法：
for（i=1;i<=n;++i）
{
for(j=1;j<=n;++j)
{
c[ i ][ j ]=0; //該步驟屬於基本操作 執行次數：n^2
for(k=1;k<=n;++k)
c[ i ][ j ]+=a[ i ][ k ]*b[ k ][ j ]; //該步驟屬於基本操作 執行次數：n^3
}
}
則有 T（n）= n^2+n^3，根據上面括弧里的同數量級，我們可以確定 n^3為T（n）的同數量級
則有f（n）= n^3，然後根據T（n）/f（n）求極限可得到常數c
則該演算法的 時間復雜度：T（n）=O（n^3)
四、

定義：如果一個問題的規模是n，解這一問題的某一演算法所需要的時間為T(n)，它是n的某一函數
T(n)稱為這一演算法的「時間復雜性」。

當輸入量n逐漸加大時，時間復雜性的極限情形稱為演算法的「漸近時間復雜性」。

我們常用大O表示法表示時間復雜性，注意它是某一個演算法的時間復雜性。大O表示只是說有上界，由定義如果f(n)=O(n)，那顯然成立f(n)=O(n^2)，它給你一個上界，但並不是上確界，但人們在表示的時候一般都習慣表示前者。

此外，一個問題本身也有它的復雜性，如果某個演算法的復雜性到達了這個問題復雜性的下界，那就稱這樣的演算法是最佳演算法。

「大O記法」：在這種描述中使用的基本參數是
n，即問題實例的規模，把復雜性或運行時間表達為n的函數。這里的「O」表示量級 (order)，比如說「二分檢索是 O(logn)的」,也就是說它需要「通過logn量級的步驟去檢索一個規模為n的數組」記法 O ( f(n) )表示當 n增大時，運行時間至多將以正比於 f(n)的速度增長。

這種漸進估計對演算法的理論分析和大致比較是非常有價值的，但在實踐中細節也可能造成差異。例如，一個低附加代價的O(n2)演算法在n較小的情況下可能比一個高附加代價的 O(nlogn)演算法運行得更快。當然，隨著n足夠大以後，具有較慢上升函數的演算法必然工作得更快。

O(1)

Temp=i;i=j;j=temp;

以上三條單個語句的頻度均為1，該程序段的執行時間是一個與問題規模n無關的常數。演算法的時間復雜度為常數階，記作T(n)=O(1)。如果演算法的執行時間不隨著問題規模n的增加而增長，即使演算法中有上千條語句，其執行時間也不過是一個較大的常數。此類演算法的時間復雜度是O(1)。

O(n^2)

2.1.
交換i和j的內容
sum=0；（一次）
for(i=1;i<=n;i++)（n次 ）
for(j=1;j<=n;j++)
（n^2次 ）
sum++；（n^2次 ）
解：T(n)=2n^2+n+1 =O(n^2)

2.2.
for (i=1;i<n;i++)
{
y=y+1;①
for
(j=0;j<=(2*n);j++)
x++;②
}
解：
語句1的頻度是n-1
語句2的頻度是(n-1)*(2n+1)=2n^2-n-1
f(n)=2n^2-n-1+(n-1)=2n^2-2
該程序的時間復雜度T(n)=O(n^2).

O(n)

2.3.
a=0;
b=1;①
for
(i=1;i<=n;i++) ②
{
s=a+b;③
b=a;④
a=s;⑤
}
解：語句1的頻度：2,
語句2的頻度：
n,
語句3的頻度： n-1,
語句4的頻度：n-1,
語句5的頻度：n-1,
T(n)=2+n+3(n-1)=4n-1=O(n).

O(log2n
)

2.4.
i=1;①
while (i<=n)
i=i*2; ②
解： 語句1的頻度是1,
設語句2的頻度是f(n),則：2^f(n)<=n;f(n)<=log2n
取最大值f(n)=
log2n,
T(n)=O(log2n )

O(n^3)

2.5.
for(i=0;i<n;i++)
{
for(j=0;j<i;j++)
{
for(k=0;k<j;k++)
x=x+2;
}
}
解：當i=m,
j=k的時候,內層循環的次數為k當i=m時, j 可以取 0,1,...,m-1 , 所以這里最內循環共進行了0+1+...+m-1=(m-1)m/2次所以,i從0取到n, 則循環共進行了: 0+(1-1)*1/2+...+(n-1)n/2=n(n+1)(n-1)/6所以時間復雜度為O(n^3).


我們還應該區分演算法的最壞情況的行為和期望行為。如快速排序的最
壞情況運行時間是 O(n^2)，但期望時間是 O(nlogn)。通過每次都仔細 地選擇基準值，我們有可能把平方情況 (即O(n^2)情況)的概率減小到幾乎等於 0。在實際中，精心實現的快速排序一般都能以 (O(nlogn)時間運行。
下面是一些常用的記法：


訪問數組中的元素是常數時間操作，或說O(1)操作。一個演算法如 果能在每個步驟去掉一半數據元素，如二分檢索，通常它就取 O(logn)時間。用strcmp比較兩個具有n個字元的串需要O(n)時間。常規的矩陣乘演算法是O(n^3)，因為算出每個元素都需要將n對
元素相乘並加到一起，所有元素的個數是n^2。
指數時間演算法通常來源於需要求出所有可能結果。例如，n個元 素的集合共有2n個子集,所以要求出所有子集的演算法將是O(2n)的。指數演算法一般說來是太復雜了，除非n的值非常小，因為，在 這個問題中增加一個元素就導致運行時間加倍。不幸的是，確實有許多問題 (如著名的「巡迴售貨員問題」 )，到目前為止找到的演算法都是指數的。如果我們真的遇到這種情況，通常應該用尋找近似最佳結果的演算法替代之。

4. 演算法的時間復雜性與問題的什麼因素相關

演算法的時間復雜度和問題有關系但不能說是什麼相關，因為一個問題很有可能有許許多多類演算法，但是它們的時間復雜度不同，如大家最熟悉的排序問題我知道的就有10種左右演算法，它們復雜度顯然是不一樣的。
這是一個概念問題，演算法和問題是相聯系的但是不是一一對應的。問題是存在的，演算法是設計的，演算法的時間復雜度除了和問題本身有關外還和設計者的水平，計算機類型等其它因素有關系。
你的問題是說一個問題的最好的演算法的時間復雜度和問題的哪些因素相關么？
如果是這樣我到是認為，一個問題的最優的演算法的時間復雜度是這個問題本質的屬性。這是我自己的理解，我認為理論上解決每個問題都會存在某個時間復雜度的下限，這個下限和這個問題的分類有關。如P類，NP類，NPC類等等 。
另外再比如說排序問題，我們可以用資訊理論簡單地證明基於比較的排序演算法理論時間復雜度下限為O(nlogn)，還可以證明NPC類問題可以被歸約為一個相同的問題，而這個問題的時間復雜度下限是未知的（這還是疑難問題）。

5. 演算法的時間復雜性與問題的什麼因素有關

演算法的時間復雜性與問題的規模有關，漸近時間復雜度裡面的量度就是這個

6. 演算法的時間復雜度是什麼

執行一個演算法所耗費的時間，從理論上是不能算出來的，必須上機運行測試才能知道。但不可能也沒有必要對每個演算法都上機測試，只需知道哪個演算法花費的時間多，哪個演算法花費的時間少就可以了。一個演算法花費的時間與演算法中語句的執行次數成正比例，演算法中哪個語句的執行次數多，它花費的時間就多。

1.語句頻度在演算法中一個語句的執行次數稱為語句頻度或時間頻度，記為T（n）。

2）演算法的漸進時間復雜度一般情況下，演算法的執行時間T是問題規模n的函數，記作T（n）。要精確地表示演算法的運行時間函數常常是很困難的，即使能夠給出，也可能是個相當復雜的函數，函數的求解本身也是相當復雜的。為了客觀地反映一個演算法的執行時間，可以用演算法中基本語句的執行次數的數量級來度量演算法的工作量，稱作演算法的漸進時間復雜度，簡稱時間復雜度，通常用O來表示。

7. 演算法的空間復雜度和時間復雜度是什麼東西兩者之間有什麼關系嗎

時間復雜度是度量演算法執行的時間長短；而空間復雜度是度量演算法所需存儲空間的大小。 不過一般我們說的時間復雜度是指他運行時計算的次數, 空間復雜度是指運行完一個程序所需內存的大小。

8. 演算法的時間復雜度僅與問題的規模有關

演算法的時間復雜度在大部分題庫中的答案是選擇與問題規模有關的那個選項，同時干擾項往往是計算機硬體性能，編譯程序質量，程序設計語言等等。（直接回答）
其他版本的書中還提到與-待處理數據的初態有關，例如是否已經有序。（補充回答）
演算法的時間復雜度，即效率，通常只與演算法本身的性質有關，演算法本身的性質又包括其涉及的問題規模，還有選擇的何種演算法策略。（個人經驗）
演算法的時間復雜度，即基本操作重復執行的次數，是問題規模n的某個函數f(n)，演算法的時間量度記作T(n) = O(f(n));它表示隨著問題規模n的增大，演算法執行的時間的增長率和f(n)的增長率相同，稱作漸近時間復雜度，也稱時間復雜度。（嚴蔚敏老師書上的相關解釋）