hello-algo/docs/chapter_computational_complexity/time_complexity.md
2023-01-02 18:47:36 +08:00

54 KiB
Raw Blame History

comments
true

时间复杂度

统计算法运行时间

运行时间能够直观且准确地体现出算法的效率水平。如果我们想要 准确预估一段代码的运行时间 ,该如何做呢?

  1. 首先需要 确定运行平台 ,包括硬件配置、编程语言、系统环境等,这些都会影响到代码的运行效率。
  2. 评估 各种计算操作的所需运行时间 ,例如加法操作 + 需要 1 ns ,乘法操作 * 需要 10 ns ,打印操作需要 5 ns 等。
  3. 根据代码 统计所有计算操作的数量 ,并将所有操作的执行时间求和,即可得到运行时间。

例如以下代码,输入数据大小为 n ,根据以上方法,可以得到算法运行时间为 6n + 12 ns 。

$$ 1 + 1 + 10 + (1 + 5) \times n = 6n + 12

=== "Java"

```java title=""
// 在某运行平台下
void algorithm(int n) {
    int a = 2;  // 1 ns
    a = a + 1;  // 1 ns
    a = a * 2;  // 10 ns
    // 循环 n 次
    for (int i = 0; i < n; i++) {  // 1 ns ,每轮都要执行 i++
        System.out.println(0);     // 5 ns
    }
}
```

=== "C++"

```cpp title=""
// 在某运行平台下
void algorithm(int n) {
    int a = 2;  // 1 ns
    a = a + 1;  // 1 ns
    a = a * 2;  // 10 ns
    // 循环 n 次
    for (int i = 0; i < n; i++) {  // 1 ns ,每轮都要执行 i++
        cout << 0 << endl;         // 5 ns
    }
}
```

=== "Python"

```python title=""
# 在某运行平台下
def algorithm(n):
    a = 2      # 1 ns
    a = a + 1  # 1 ns
    a = a * 2  # 10 ns
    # 循环 n 次
    for _ in range(n):  # 1 ns
        print(0)        # 5 ns
```

=== "Go"

```go title=""
// 在某运行平台下
func algorithm(n int) {
    a := 2      // 1 ns
    a = a + 1   // 1 ns
    a = a * 2   // 10 ns
    // 循环 n 次
    for i := 0; i < n; i++ {    // 1 ns
        fmt.Println(a)          // 5 ns
    }
}
```

=== "JavaScript"

```js title=""
function algorithm(n) {
    var a = 2; // 1 ns
    a = a + 1; // 1 ns
    a = a * 2; // 10 ns
    for(var i = 0; i < n; i++) { // 1 ns ,每轮都要执行 i++
        console.log(0); // 5 ns
    }
}
```

=== "TypeScript"

```typescript title=""
function algorithm(n: number): void {
    var a: number = 2; // 1 ns
    a = a + 1; // 1 ns
    a = a * 2; // 10 ns
    for(var i = 0; i < n; i++) { // 1 ns ,每轮都要执行 i++
        console.log(0); // 5 ns
    }
}
```

=== "C"

```c title=""

```

=== "C#"

```csharp title=""
// 在某运行平台下
void algorithm(int n)
{
    int a = 2;  // 1 ns
    a = a + 1;  // 1 ns
    a = a * 2;  // 10 ns
    // 循环 n 次
    for (int i = 0; i < n; i++)
    {  // 1 ns ,每轮都要执行 i++
        Console.WriteLine(0);     // 5 ns
    }
}
```

=== "Swift"

```swift title=""
// 在某运行平台下
func algorithm(_ n: Int) {
    var a = 2 // 1 ns
    a = a + 1 // 1 ns
    a = a * 2 // 10 ns
    // 循环 n 次
    for _ in 0 ..< n { // 1 ns
        print(0) // 5 ns
    }
}
```

但实际上, 统计算法的运行时间既不合理也不现实。 首先,我们不希望预估时间和运行平台绑定,毕竟算法需要跑在各式各样的平台之上。其次,我们很难获知每一种操作的运行时间,这为预估过程带来了极大的难度。

统计时间增长趋势

「时间复杂度分析」采取了不同的做法,其统计的不是算法运行时间,而是 算法运行时间随着数据量变大时的增长趋势

“时间增长趋势”这个概念比较抽象,我们借助一个例子来理解。设输入数据大小为 n ,给定三个算法 A , B , C

  • 算法 A 只有 1 个打印操作,算法运行时间不随着 n 增大而增长。我们称此算法的时间复杂度为「常数阶」。
  • 算法 B 中的打印操作需要循环 n 次,算法运行时间随着 n 增大成线性增长。此算法的时间复杂度被称为「线性阶」。
  • 算法 C 中的打印操作需要循环 1000000 次,但运行时间仍与输入数据大小 n 无关。因此 C 的时间复杂度和 A 相同,仍为「常数阶」。

=== "Java"

```java title=""
// 算法 A 时间复杂度:常数阶
void algorithm_A(int n) {
    System.out.println(0);
}
// 算法 B 时间复杂度:线性阶
void algorithm_B(int n) {
    for (int i = 0; i < n; i++) {
        System.out.println(0);
    }
}
// 算法 C 时间复杂度:常数阶
void algorithm_C(int n) {
    for (int i = 0; i < 1000000; i++) {
        System.out.println(0);
    }
}
```

=== "C++"

```cpp title=""
// 算法 A 时间复杂度:常数阶
void algorithm_A(int n) {
    cout << 0 << endl;
}
// 算法 B 时间复杂度:线性阶
void algorithm_B(int n) {
    for (int i = 0; i < n; i++) {
        cout << 0 << endl;
    }
}
// 算法 C 时间复杂度:常数阶
void algorithm_C(int n) {
    for (int i = 0; i < 1000000; i++) {
        cout << 0 << endl;
    }
}
```

=== "Python"

```python title=""
# 算法 A 时间复杂度:常数阶
def algorithm_A(n):
    print(0)
# 算法 B 时间复杂度:线性阶
def algorithm_B(n):
    for _ in range(n):
        print(0)
# 算法 C 时间复杂度:常数阶
def algorithm_C(n):
    for _ in range(1000000):
        print(0)
```

=== "Go"

```go title=""
// 算法 A 时间复杂度:常数阶
func algorithm_A(n int) {
    fmt.Println(0)
}
// 算法 B 时间复杂度:线性阶
func algorithm_B(n int) {
    for i := 0; i < n; i++ {
        fmt.Println(0)
    }
}
// 算法 C 时间复杂度:常数阶
func algorithm_C(n int) {
    for i := 0; i < 1000000; i++ {
        fmt.Println(0)
    }
}
```

=== "JavaScript"

```js title="time_complexity.js"
// 算法 A 时间复杂度:常数阶
function algorithm_A(n) {
    console.log(0);
}
// 算法 B 时间复杂度:线性阶
function algorithm_B(n) {
    for (var i = 0; i < n; i++) {
        console.log(0);
    }
}
// 算法 C 时间复杂度:常数阶
function algorithm_C(n) {
    for (var i = 0; i < 1000000; i++) {
        console.log(0);
    }
}

```

=== "TypeScript"

```typescript title="time_complexity.ts"
// 算法 A 时间复杂度:常数阶
function algorithm_A(n: number): void {
    console.log(0);
}
// 算法 B 时间复杂度:线性阶
function algorithm_B(n: number): void {
    for (var i = 0; i < n; i++) {
        console.log(0);
    }
}
// 算法 C 时间复杂度:常数阶
function algorithm_C(n: number): void {
    for (var i = 0; i < 1000000; i++) {
        console.log(0);
    }
}
```

=== "C"

```c title=""

```

=== "C#"

```csharp title=""
// 算法 A 时间复杂度:常数阶
void algorithm_A(int n)
{
    Console.WriteLine(0);
}
// 算法 B 时间复杂度:线性阶
void algorithm_B(int n)
{
    for (int i = 0; i < n; i++)
    {
        Console.WriteLine(0);
    }
}
// 算法 C 时间复杂度:常数阶
void algorithm_C(int n)
{
    for (int i = 0; i < 1000000; i++)
    {
        Console.WriteLine(0);
    }
}
```

=== "Swift"

```swift title=""
// 算法 A 时间复杂度:常数阶
func algorithmA(_ n: Int) {
    print(0)
}

// 算法 B 时间复杂度:线性阶
func algorithmB(_ n: Int) {
    for _ in 0 ..< n {
        print(0)
    }
}

// 算法 C 时间复杂度:常数阶
func algorithmC(_ n: Int) {
    for _ in 0 ..< 1000000 {
        print(0)
    }
}
```

time_complexity_first_example

Fig. 算法 A, B, C 的时间增长趋势

相比直接统计算法运行时间,时间复杂度分析的做法有什么好处呢?以及有什么不足?

时间复杂度可以有效评估算法效率。 算法 B 运行时间的增长是线性的,在 n > 1 时慢于算法 A ,在 n > 1000000 时慢于算法 C 。实质上,只要输入数据大小 n 足够大,复杂度为「常数阶」的算法一定优于「线性阶」的算法,这也正是时间增长趋势的含义。

时间复杂度分析将统计「计算操作的运行时间」简化为统计「计算操作的数量」。 这是因为,无论是运行平台、还是计算操作类型,都与算法运行时间的增长趋势无关。因此,我们可以简单地将所有计算操作的执行时间统一看作是相同的“单位时间”。

时间复杂度也存在一定的局限性。 比如,虽然算法 AC 的时间复杂度相同,但是实际的运行时间有非常大的差别。再比如,虽然算法 BC 的时间复杂度要更高,但在输入数据大小 n 比较小时,算法 B 是要明显优于算法 C 的。即使存在这些问题,计算复杂度仍然是评判算法效率的最有效、最常用方法。

函数渐近上界

设算法「计算操作数量」为 T(n) ,其是一个关于输入数据大小 n 的函数。例如,以下算法的操作数量为

$$ T(n) = 3 + 2n

=== "Java"

```java title=""
void algorithm(int n) {
    int a = 1;  // +1
    a = a + 1;  // +1
    a = a * 2;  // +1
    // 循环 n 次
    for (int i = 0; i < n; i++) { // +1每轮都执行 i ++
        System.out.println(0);    // +1
    }
}
```

=== "C++"

```cpp title=""
void algorithm(int n) {
    int a = 1;  // +1
    a = a + 1;  // +1
    a = a * 2;  // +1
    // 循环 n 次
    for (int i = 0; i < n; i++) { // +1每轮都执行 i ++
        cout << 0 << endl;    // +1
    }
}
```

=== "Python"

```python title=""
def algorithm(n):
    a = 1  # +1
    a = a + 1  # +1
    a = a * 2  # +1
    # 循环 n 次
    for i in range(n):  # +1
        print(0)        # +1
```

=== "Go"

```go title=""
func algorithm(n int) {
    a := 1		// +1
    a = a + 1	// +1
    a = a * 2	// +1
    // 循环 n 次
    for i := 0; i < n; i++ {	// +1
        fmt.Println(a)	        // +1
    }
}
```

=== "JavaScript"

```js title=""

```

=== "TypeScript"

```typescript title=""

```

=== "C"

```c title=""

```

=== "C#"

```csharp title=""
void algorithm(int n) {
    int a = 1;  // +1
    a = a + 1;  // +1
    a = a * 2;  // +1
    // 循环 n 次
    for (int i = 0; i < n; i++) { // +1每轮都执行 i ++
        Console.WriteLine(0);     // +1
    }
}
```

=== "Swift"

```swift title=""
func algorithm(n: Int) {
    var a = 1 // +1
    a = a + 1 // +1
    a = a * 2 // +1
    // 循环 n 次
    for _ in 0 ..< n { // +1
        print(0) // +1
    }
}
```

T(n) 是个一次函数,说明时间增长趋势是线性的,因此易得时间复杂度是线性阶。

我们将线性阶的时间复杂度记为 O(n) ,这个数学符号被称为「大 O 记号 Big-O Notation」代表函数 T(n) 的「渐近上界 asymptotic upper bound」。

我们要推算时间复杂度,本质上是在计算「操作数量函数 T(n) 」的渐近上界。下面我们先来看看函数渐近上界的数学定义。

!!! abstract "函数渐近上界"

若存在正实数 $c$ 和实数 $n_0$ ,使得对于所有的 $n > n_0$ ,均有
$$
T(n) \leq c \cdot f(n)
$$
则可认为 $f(n)$ 给出了 $T(n)$ 的一个渐近上界,记为
$$
T(n) = O(f(n))
$$

asymptotic_upper_bound

Fig. 函数的渐近上界

本质上看,计算渐近上界就是在找一个函数 f(n) 使得在 n 趋向于无穷大时,T(n)f(n) 处于相同的增长级别(仅相差一个常数项 c 的倍数)

!!! tip

渐近上界的数学味儿有点重,如果你感觉没有完全理解,无需担心,因为在实际使用中我们只需要会推算即可,数学意义可以慢慢领悟。

推算方法

推算出 f(n) 后,我们就得到时间复杂度 O(f(n)) 。那么,如何来确定渐近上界 f(n) 呢?总体分为两步,首先「统计操作数量」,然后「判断渐近上界」。

1. 统计操作数量

对着代码,从上到下一行一行地计数即可。然而,由于上述 c \cdot f(n) 中的常数项 c 可以取任意大小,因此操作数量 T(n) 中的各种系数、常数项都可以被忽略。根据此原则,可以总结出以下计数偷懒技巧:

  1. 跳过数量与 n 无关的操作。 因为他们都是 T(n) 中的常数项,对时间复杂度不产生影响。
  2. 省略所有系数。 例如,循环 2n 次、5n + 1 次、……,都可以化简记为 n 次,因为 n 前面的系数对时间复杂度也不产生影响。
  3. 循环嵌套时使用乘法。 总操作数量等于外层循环和内层循环操作数量之积,每一层循环依然可以分别套用上述 1.2. 技巧。

根据以下示例,使用上述技巧前、后的统计结果分别为

$$ \begin{aligned} T(n) & = 2n(n + 1) + (5n + 1) + 2 & \text{完整统计 (-.-|||)} \newline & = 2n^2 + 7n + 3 \newline T(n) & = n^2 + n & \text{偷懒统计 (o.O)} \end{aligned}

最终,两者都能推出相同的时间复杂度结果,即 O(n^2)

=== "Java"

```java title=""
void algorithm(int n) {
    int a = 1;  // +0技巧 1
    a = a + n;  // +0技巧 1
    // +n技巧 2
    for (int i = 0; i < 5 * n + 1; i++) {
        System.out.println(0);
    }
    // +n*n技巧 3
    for (int i = 0; i < 2 * n; i++) {
        for (int j = 0; j < n + 1; j++) {
            System.out.println(0);
        }
    }
}
```

=== "C++"

```cpp title=""
void algorithm(int n) {
    int a = 1;  // +0技巧 1
    a = a + n;  // +0技巧 1
    // +n技巧 2
    for (int i = 0; i < 5 * n + 1; i++) {
        cout << 0 << endl;
    }
    // +n*n技巧 3
    for (int i = 0; i < 2 * n; i++) {
        for (int j = 0; j < n + 1; j++) {
            cout << 0 << endl;
        }
    }
}
```

=== "Python"

```python title=""
def algorithm(n):
    a = 1      # +0技巧 1
    a = a + n  # +0技巧 1
    # +n技巧 2
    for i in range(5 * n + 1):
        print(0)
    # +n*n技巧 3
    for i in range(2 * n):
        for j in range(n + 1):
            print(0)
```

=== "Go"

```go title=""
func algorithm(n int) {
    a := 1      // +0技巧 1
    a = a + n  // +0技巧 1
    // +n技巧 2
    for i := 0; i < 5 * n + 1; i++ {
        fmt.Println(0)
    }
    // +n*n技巧 3
    for i := 0; i < 2 * n; i++ {
        for j := 0; j < n + 1; j++ {
            fmt.Println(0)
        }
    }
}
```

=== "JavaScript"

```js title=""

```

=== "TypeScript"

```typescript title=""

```

=== "C"

```c title=""

```

=== "C#"

```csharp title=""
void algorithm(int n)
{
    int a = 1;  // +0技巧 1
    a = a + n;  // +0技巧 1
    // +n技巧 2
    for (int i = 0; i < 5 * n + 1; i++)
    {
        Console.WriteLine(0);
    }
    // +n*n技巧 3
    for (int i = 0; i < 2 * n; i++)
    {
        for (int j = 0; j < n + 1; j++)
        {
            Console.WriteLine(0);
        }
    }
}
```

=== "Swift"

```swift title=""
func algorithm(n: Int) {
    var a = 1 // +0技巧 1
    a = a + n // +0技巧 1
    // +n技巧 2
    for _ in 0 ..< (5 * n + 1) {
        print(0)
    }
    // +n*n技巧 3
    for _ in 0 ..< (2 * n) {
        for _ in 0 ..< (n + 1) {
            print(0)
        }
    }
}
```

2. 判断渐近上界

时间复杂度由多项式 T(n) 中最高阶的项来决定。这是因为在 n 趋于无穷大时,最高阶的项将处于主导作用,其它项的影响都可以被忽略。

以下表格给出了一些例子,其中有一些夸张的值,是想要向大家强调 系数无法撼动阶数 这一结论。在 n 趋于无穷大时,这些常数都是“浮云”。

操作数量 T(n) 时间复杂度 O(f(n))
100000 O(1)
3n + 2 O(n)
2n^2 + 3n + 2 O(n^2)
n^3 + 10000n^2 O(n^3)
2^n + 10000n^{10000} O(2^n)

常见类型

设输入数据大小为 n ,常见的时间复杂度类型有(从低到高排列)

$$ \begin{aligned} O(1) < O(\log n) < O(n) < O(n \log n) < O(n^2) < O(2^n) < O(n!) \newline \text{常数阶} < \text{对数阶} < \text{线性阶} < \text{线性对数阶} < \text{平方阶} < \text{指数阶} < \text{阶乘阶} \end{aligned}

time_complexity_common_types

Fig. 时间复杂度的常见类型

!!! tip

部分示例代码需要一些前置知识,包括数组、递归算法等。如果遇到看不懂的地方无需担心,可以在学习完后面章节后再来复习,现阶段先聚焦在理解时间复杂度含义和推算方法上。

常数阶 O(1)

常数阶的操作数量与输入数据大小 n 无关,即不随着 n 的变化而变化。

对于以下算法,无论操作数量 size 有多大,只要与数据大小 n 无关,时间复杂度就仍为 O(1)

=== "Java"

```java title="time_complexity.java"
/* 常数阶 */
int constant(int n) {
    int count = 0;
    int size = 100000;
    for (int i = 0; i < size; i++)
        count++;
    return count;
}
```

=== "C++"

```cpp title="time_complexity.cpp"
/* 常数阶 */
int constant(int n) {
    int count = 0;
    int size = 100000;
    for (int i = 0; i < size; i++)
        count++;
    return count;
}
```

=== "Python"

```python title="time_complexity.py"
""" 常数阶 """
def constant(n):
    count = 0
    size = 100000
    for _ in range(size):
        count += 1
    return count
```

=== "Go"

```go title="time_complexity.go"
/* 常数阶 */
func constant(n int) int {
    count := 0
    size := 100000
    for i := 0; i < size; i++ {
        count ++
    }
    return count
}
```

=== "JavaScript"

```js title="time_complexity.js"

```

=== "TypeScript"

```typescript title="time_complexity.ts"

```

=== "C"

```c title="time_complexity.c"

```

=== "C#"

```csharp title="time_complexity.cs"
/* 常数阶 */
int constant(int n)
{
    int count = 0;
    int size = 100000;
    for (int i = 0; i < size; i++)
        count++;
    return count;
}
```

=== "Swift"

```swift title="time_complexity.swift"
// 常数阶
func constant(n: Int) -> Int {
    var count = 0
    let size = 100000
    for _ in 0 ..< size {
        count += 1
    }
    return count
}
```

线性阶 O(n)

线性阶的操作数量相对输入数据大小成线性级别增长。线性阶常出现于单层循环。

=== "Java"

```java title="time_complexity.java"
/* 线性阶 */
int linear(int n) {
    int count = 0;
    for (int i = 0; i < n; i++)
        count++;
    return count;
}
```

=== "C++"

```cpp title="time_complexity.cpp"
/* 线性阶 */
int linear(int n) {
    int count = 0;
    for (int i = 0; i < n; i++)
        count++;
    return count;
}
```

=== "Python"

```python title="time_complexity.py"
""" 线性阶 """
def linear(n):
    count = 0
    for _ in range(n):
        count += 1
    return count
```

=== "Go"

```go title="time_complexity.go"
/* 线性阶 */
func linear(n int) int {
    count := 0
    for i := 0; i < n; i++ {
        count++
    }
    return count
}
```

=== "JavaScript"

```js title="time_complexity.js"

```

=== "TypeScript"

```typescript title="time_complexity.ts"

```

=== "C"

```c title="time_complexity.c"

```

=== "C#"

```csharp title="time_complexity.cs"
/* 线性阶 */
int linear(int n)
{
    int count = 0;
    for (int i = 0; i < n; i++)
        count++;
    return count;
}
```

=== "Swift"

```swift title="time_complexity.swift"
// 线性阶
func linear(n: Int) -> Int {
    var count = 0
    for _ in 0 ..< n {
        count += 1
    }
    return count
}
```

「遍历数组」和「遍历链表」等操作,时间复杂度都为 O(n) ,其中 n 为数组或链表的长度。

!!! tip

**数据大小 $n$ 是根据输入数据的类型来确定的。** 比如,在上述示例中,我们直接将 $n$ 看作输入数据大小;以下遍历数组示例中,数据大小 $n$ 为数组的长度。

=== "Java"

```java title="time_complexity.java"
/* 线性阶(遍历数组) */
int arrayTraversal(int[] nums) {
    int count = 0;
    // 循环次数与数组长度成正比
    for (int num : nums) {
        count++;
    }
    return count;
}
```

=== "C++"

```cpp title="time_complexity.cpp"
/* 线性阶(遍历数组) */
int arrayTraversal(vector<int>& nums) {
    int count = 0;
    // 循环次数与数组长度成正比
    for (int num : nums) {
        count++;
    }
    return count;
}
```

=== "Python"

```python title="time_complexity.py"
""" 线性阶(遍历数组)"""
def array_traversal(nums):
    count = 0
    # 循环次数与数组长度成正比
    for num in nums:
        count += 1
    return count
```

=== "Go"

```go title="time_complexity.go"
/* 线性阶(遍历数组) */
func arrayTraversal(nums []int) int {
    count := 0
    // 循环次数与数组长度成正比
    for range nums {
        count++
    }
    return count
}
```

=== "JavaScript"

```js title="time_complexity.js"

```

=== "TypeScript"

```typescript title="time_complexity.ts"

```

=== "C"

```c title="time_complexity.c"

```

=== "C#"

```csharp title="time_complexity.cs"
/* 线性阶(遍历数组) */
int arrayTraversal(int[] nums)
{
    int count = 0;
    // 循环次数与数组长度成正比
    foreach(int num in nums)
    {
        count++;
    }
    return count;
}
```

=== "Swift"

```swift title="time_complexity.swift"
// 线性阶(遍历数组)
func arrayTraversal(nums: [Int]) -> Int {
    var count = 0
    // 循环次数与数组长度成正比
    for _ in nums {
        count += 1
    }
    return count
}
```

平方阶 O(n^2)

平方阶的操作数量相对输入数据大小成平方级别增长。平方阶常出现于嵌套循环,外层循环和内层循环都为 O(n) ,总体为 O(n^2)

=== "Java"

```java title="time_complexity.java"
/* 平方阶 */
int quadratic(int n) {
    int count = 0;
    // 循环次数与数组长度成平方关系
    for (int i = 0; i < n; i++) {
        for (int j = 0; j < n; j++) {
            count++;
        }
    }
    return count;
}
```

=== "C++"

```cpp title="time_complexity.cpp"
/* 平方阶 */
int quadratic(int n) {
    int count = 0;
    // 循环次数与数组长度成平方关系
    for (int i = 0; i < n; i++) {
        for (int j = 0; j < n; j++) {
            count++;
        }
    }
    return count;
}
```

=== "Python"

```python title="time_complexity.py"
""" 平方阶 """
def quadratic(n):
    count = 0
    # 循环次数与数组长度成平方关系
    for i in range(n):
        for j in range(n):
            count += 1
    return count
```

=== "Go"

```go title="time_complexity.go"
/* 平方阶 */
func quadratic(n int) int {
    count := 0
    // 循环次数与数组长度成平方关系
    for i := 0; i < n; i++ {
        for j := 0; j < n; j++ {
            count++
        }
    }
    return count
}
```

=== "JavaScript"

```js title="time_complexity.js"

```

=== "TypeScript"

```typescript title="time_complexity.ts"

```

=== "C"

```c title="time_complexity.c"

```

=== "C#"

```csharp title="time_complexity.cs"
/* 平方阶 */
int quadratic(int n)
{
    int count = 0;
    // 循环次数与数组长度成平方关系
    for (int i = 0; i < n; i++)
    {
        for (int j = 0; j < n; j++)
        {
            count++;
        }
    }
    return count;
}
```

=== "Swift"

```swift title="time_complexity.swift"
// 平方阶
func quadratic(n: Int) -> Int {
    var count = 0
    // 循环次数与数组长度成平方关系
    for _ in 0 ..< n {
        for _ in 0 ..< n {
            count += 1
        }
    }
    return count
}
```

time_complexity_constant_linear_quadratic

Fig. 常数阶、线性阶、平方阶的时间复杂度

以「冒泡排序」为例,外层循环 n - 1 次,内层循环 n-1, n-2, \cdots, 2, 1 次,平均为 \frac{n}{2} 次,因此时间复杂度为 O(n^2)

$$ O((n - 1) \frac{n}{2}) = O(n^2)

=== "Java"

```java title="time_complexity.java"
/* 平方阶(冒泡排序) */
int bubbleSort(int[] nums) {
    int count = 0;  // 计数器
    // 外循环:待排序元素数量为 n-1, n-2, ..., 1
    for (int i = nums.length - 1; i > 0; i--) {
        // 内循环:冒泡操作
        for (int j = 0; j < i; j++) {
            if (nums[j] > nums[j + 1]) {
                // 交换 nums[j] 与 nums[j + 1]
                int tmp = nums[j];
                nums[j] = nums[j + 1];
                nums[j + 1] = tmp;
                count += 3;  // 元素交换包含 3 个单元操作
            }
        }
    }
    return count;
}
```

=== "C++"

```cpp title="time_complexity.cpp"
/* 平方阶(冒泡排序) */
int bubbleSort(vector<int>& nums) {
    int count = 0;  // 计数器
    // 外循环:待排序元素数量为 n-1, n-2, ..., 1
    for (int i = nums.size() - 1; i > 0; i--) {
        // 内循环:冒泡操作
        for (int j = 0; j < i; j++) {
            if (nums[j] > nums[j + 1]) {
                // 交换 nums[j] 与 nums[j + 1]
                int tmp = nums[j];
                nums[j] = nums[j + 1];
                nums[j + 1] = tmp;
                count += 3;  // 元素交换包含 3 个单元操作
            }
        }
    }
    return count;
}
```

=== "Python"

```python title="time_complexity.py"
""" 平方阶(冒泡排序)"""
def bubble_sort(nums):
    count = 0  # 计数器
    # 外循环:待排序元素数量为 n-1, n-2, ..., 1
    for i in range(len(nums) - 1, 0, -1):
        # 内循环:冒泡操作
        for j in range(i):
            if nums[j] > nums[j + 1]:
                # 交换 nums[j] 与 nums[j + 1]
                tmp = nums[j]
                nums[j] = nums[j + 1]
                nums[j + 1] = tmp
                count += 3  # 元素交换包含 3 个单元操作
    return count
```

=== "Go"

```go title="time_complexity.go"
 /* 平方阶(冒泡排序) */
 func bubbleSort(nums []int) int {
    count := 0 // 计数器
    // 外循环:待排序元素数量为 n-1, n-2, ..., 1
    for i := len(nums) - 1; i > 0; i-- {
        // 内循环:冒泡操作
        for j := 0; j < i; j++ {
            if nums[j] > nums[j+1] {
                // 交换 nums[j] 与 nums[j + 1]
                tmp := nums[j]
                nums[j] = nums[j+1]
                nums[j+1] = tmp
                count += 3 // 元素交换包含 3 个单元操作
            }
        }
    }
    return count
}
```

=== "JavaScript"

```js title="time_complexity.js"

```

=== "TypeScript"

```typescript title="time_complexity.ts"

```

=== "C"

```c title="time_complexity.c"

```

=== "C#"

```csharp title="time_complexity.cs"
/* 平方阶(冒泡排序) */
int bubbleSort(int[] nums)
{
    int count = 0;  // 计数器
                    // 外循环:待排序元素数量为 n-1, n-2, ..., 1
    for (int i = nums.Length - 1; i > 0; i--)
    {
        // 内循环:冒泡操作
        for (int j = 0; j < i; j++)
        {
            if (nums[j] > nums[j + 1])
            {
                // 交换 nums[j] 与 nums[j + 1]
                int tmp = nums[j];
                nums[j] = nums[j + 1];
                nums[j + 1] = tmp;
                count += 3;  // 元素交换包含 3 个单元操作
            }
        }
    }
    return count;
}

```

=== "Swift"

```swift title="time_complexity.swift"
// 平方阶(冒泡排序)
func bubbleSort(nums: inout [Int]) -> Int {
    var count = 0 // 计数器
    // 外循环:待排序元素数量为 n-1, n-2, ..., 1
    for i in sequence(first: nums.count - 1, next: { $0 > 0 ? $0 - 1 : nil }) {
        // 内循环:冒泡操作
        for j in 0 ..< i {
            if nums[j] > nums[j + 1] {
                // 交换 nums[j] 与 nums[j + 1]
                let tmp = nums[j]
                nums[j] = nums[j + 1]
                nums[j + 1] = tmp
                count += 3 // 元素交换包含 3 个单元操作
            }
        }
    }
    return count
}
```

指数阶 O(2^n)

!!! note

生物学科中的“细胞分裂”即是指数阶增长:初始状态为 $1$ 个细胞,分裂一轮后为 $2$ 个,分裂两轮后为 $4$ 个,……,分裂 $n$ 轮后有 $2^n$ 个细胞。

指数阶增长得非常快,在实际应用中一般是不能被接受的。若一个问题使用「暴力枚举」求解的时间复杂度是 O(2^n) ,那么一般都需要使用「动态规划」或「贪心算法」等算法来求解。

=== "Java"

```java title="time_complexity.java"
/* 指数阶(循环实现) */
int exponential(int n) {
    int count = 0, base = 1;
    // cell 每轮一分为二,形成数列 1, 2, 4, 8, ..., 2^(n-1)
    for (int i = 0; i < n; i++) {
        for (int j = 0; j < base; j++) {
            count++;
        }
        base *= 2;
    }
    // count = 1 + 2 + 4 + 8 + .. + 2^(n-1) = 2^n - 1
    return count;
}
```

=== "C++"

```cpp title="time_complexity.cpp"
/* 指数阶(循环实现) */
int exponential(int n) {
    int count = 0, base = 1;
    // cell 每轮一分为二,形成数列 1, 2, 4, 8, ..., 2^(n-1)
    for (int i = 0; i < n; i++) {
        for (int j = 0; j < base; j++) {
            count++;
        }
        base *= 2;
    }
    // count = 1 + 2 + 4 + 8 + .. + 2^(n-1) = 2^n - 1
    return count;
}
```

=== "Python"

```python title="time_complexity.py"
""" 指数阶(循环实现)"""
def exponential(n):
    count, base = 0, 1
    # cell 每轮一分为二,形成数列 1, 2, 4, 8, ..., 2^(n-1)
    for _ in range(n):
        for _ in range(base):
            count += 1
        base *= 2
    # count = 1 + 2 + 4 + 8 + .. + 2^(n-1) = 2^n - 1
    return count
```

=== "Go"

```go title="time_complexity.go"
/* 指数阶(循环实现)*/
func exponential(n int) int {
    count, base := 0, 1
    // cell 每轮一分为二,形成数列 1, 2, 4, 8, ..., 2^(n-1)
    for i := 0; i < n; i++ {
        for j := 0; j < base; j++ {
            count++
        }
        base *= 2
    }
    // count = 1 + 2 + 4 + 8 + .. + 2^(n-1) = 2^n - 1
    return count
}
```

=== "JavaScript"

```js title="time_complexity.js"

```

=== "TypeScript"

```typescript title="time_complexity.ts"

```

=== "C"

```c title="time_complexity.c"

```

=== "C#"

```csharp title="time_complexity.cs"
/* 指数阶(循环实现) */
int exponential(int n)
{
    int count = 0, bas = 1;
    // cell 每轮一分为二,形成数列 1, 2, 4, 8, ..., 2^(n-1)
    for (int i = 0; i < n; i++)
    {
        for (int j = 0; j < bas; j++)
        {
            count++;
        }
        bas *= 2;
    }
    // count = 1 + 2 + 4 + 8 + .. + 2^(n-1) = 2^n - 1
    return count;
}
```

=== "Swift"

```swift title="time_complexity.swift"
// 指数阶(循环实现)
func exponential(n: Int) -> Int {
    var count = 0
    var base = 1
    // cell 每轮一分为二,形成数列 1, 2, 4, 8, ..., 2^(n-1)
    for _ in 0 ..< n {
        for _ in 0 ..< base {
            count += 1
        }
        base *= 2
    }
    // count = 1 + 2 + 4 + 8 + .. + 2^(n-1) = 2^n - 1
    return count
}
```

time_complexity_exponential

Fig. 指数阶的时间复杂度

在实际算法中,指数阶常出现于递归函数。例如以下代码,不断地一分为二,分裂 n 次后停止。

=== "Java"

```java title="time_complexity.java"
/* 指数阶(递归实现) */
int expRecur(int n) {
    if (n == 1) return 1;
    return expRecur(n - 1) + expRecur(n - 1) + 1;
}
```

=== "C++"

```cpp title="time_complexity.cpp"
/* 指数阶(递归实现) */
int expRecur(int n) {
    if (n == 1) return 1;
    return expRecur(n - 1) + expRecur(n - 1) + 1;
}
```

=== "Python"

```python title="time_complexity.py"
""" 指数阶(递归实现)"""
def exp_recur(n):
    if n == 1: return 1
    return exp_recur(n - 1) + exp_recur(n - 1) + 1
```

=== "Go"

```go title="time_complexity.go"
/* 指数阶(递归实现)*/
func expRecur(n int) int {
    if n == 1 {
        return 1
    }
    return expRecur(n-1) + expRecur(n-1) + 1
}
```

=== "JavaScript"

```js title="time_complexity.js"

```

=== "TypeScript"

```typescript title="time_complexity.ts"

```

=== "C"

```c title="time_complexity.c"

```

=== "C#"

```csharp title="time_complexity.cs"
/* 指数阶(递归实现) */
int expRecur(int n)
{
    if (n == 1) return 1;
    return expRecur(n - 1) + expRecur(n - 1) + 1;
}
```

=== "Swift"

```swift title="time_complexity.swift"
// 指数阶(递归实现)
func expRecur(n: Int) -> Int {
    if n == 1 {
        return 1
    }
    return expRecur(n: n - 1) + expRecur(n: n - 1) + 1
}
```

对数阶 O(\log n)

对数阶与指数阶正好相反,后者反映“每轮增加到两倍的情况”,而前者反映“每轮缩减到一半的情况”。对数阶仅次于常数阶,时间增长得很慢,是理想的时间复杂度。

对数阶常出现于「二分查找」和「分治算法」中,体现“一分为多”、“化繁为简”的算法思想。

设输入数据大小为 n ,由于每轮缩减到一半,因此循环次数是 \log_2 n ,即 2^n 的反函数。

=== "Java"

```java title="time_complexity.java"
/* 对数阶(循环实现) */
int logarithmic(float n) {
    int count = 0;
    while (n > 1) {
        n = n / 2;
        count++;
    }
    return count;
}
```

=== "C++"

```cpp title="time_complexity.cpp"
/* 对数阶(循环实现) */
int logarithmic(float n) {
    int count = 0;
    while (n > 1) {
        n = n / 2;
        count++;
    }
    return count;
}
```

=== "Python"

```python title="time_complexity.py"
""" 对数阶(循环实现)"""
def logarithmic(n):
    count = 0
    while n > 1:
        n = n / 2
        count += 1
    return count
```

=== "Go"

```go title="time_complexity.go"
/* 对数阶(循环实现)*/
func logarithmic(n float64) int {
    count := 0
    for n > 1 {
        n = n / 2
        count++
    }
    return count
}
```

=== "JavaScript"

```js title="time_complexity.js"

```

=== "TypeScript"

```typescript title="time_complexity.ts"

```

=== "C"

```c title="time_complexity.c"

```

=== "C#"

```csharp title="time_complexity.cs"
/* 对数阶(循环实现) */
int logarithmic(float n)
{
    int count = 0;
    while (n > 1)
    {
        n = n / 2;
        count++;
    }
    return count;
}
```

=== "Swift"

```swift title="time_complexity.swift"
// 对数阶(循环实现)
func logarithmic(n: Int) -> Int {
    var count = 0
    var n = n
    while n > 1 {
        n = n / 2
        count += 1
    }
    return count
}
```

time_complexity_logarithmic

Fig. 对数阶的时间复杂度

与指数阶类似,对数阶也常出现于递归函数。以下代码形成了一个高度为 \log_2 n 的递归树。

=== "Java"

```java title="time_complexity.java"
/* 对数阶(递归实现) */
int logRecur(float n) {
    if (n <= 1) return 0;
    return logRecur(n / 2) + 1;
}
```

=== "C++"

```cpp title="time_complexity.cpp"
/* 对数阶(递归实现) */
int logRecur(float n) {
    if (n <= 1) return 0;
    return logRecur(n / 2) + 1;
}
```

=== "Python"

```python title="time_complexity.py"
""" 对数阶(递归实现)"""
def log_recur(n):
    if n <= 1: return 0
    return log_recur(n / 2) + 1
```

=== "Go"

```go title="time_complexity.go"
/* 对数阶(递归实现)*/
func logRecur(n float64) int {
    if n <= 1 {
        return 0
    }
    return logRecur(n/2) + 1
}
```

=== "JavaScript"

```js title="time_complexity.js"

```

=== "TypeScript"

```typescript title="time_complexity.ts"

```

=== "C"

```c title="time_complexity.c"

```

=== "C#"

```csharp title="time_complexity.cs"
/* 对数阶(递归实现) */
int logRecur(float n)
{
    if (n <= 1) return 0;
    return logRecur(n / 2) + 1;
}
```

=== "Swift"

```swift title="time_complexity.swift"
// 对数阶(递归实现)
func logRecur(n: Int) -> Int {
    if n <= 1 {
        return 0
    }
    return logRecur(n: n / 2) + 1
}
```

线性对数阶 O(n \log n)

线性对数阶常出现于嵌套循环中,两层循环的时间复杂度分别为 O(\log n)O(n)

主流排序算法的时间复杂度都是 O(n \log n ) ,例如快速排序、归并排序、堆排序等。

=== "Java"

```java title="time_complexity.java"
/* 线性对数阶 */
int linearLogRecur(float n) {
    if (n <= 1) return 1;
    int count = linearLogRecur(n / 2) +
                linearLogRecur(n / 2);
    for (int i = 0; i < n; i++) {
        count++;
    }
    return count;
}
```

=== "C++"

```cpp title="time_complexity.cpp"
/* 线性对数阶 */
int linearLogRecur(float n) {
    if (n <= 1) return 1;
    int count = linearLogRecur(n / 2) +
                linearLogRecur(n / 2);
    for (int i = 0; i < n; i++) {
        count++;
    }
    return count;
}
```

=== "Python"

```python title="time_complexity.py"
""" 线性对数阶 """
def linear_log_recur(n):
    if n <= 1: return 1
    count = linear_log_recur(n // 2) + \
            linear_log_recur(n // 2)
    for _ in range(n):
        count += 1
    return count
```

=== "Go"

```go title="time_complexity.go"
/* 线性对数阶 */
func linearLogRecur(n float64) int {
    if n <= 1 {
        return 1
    }
    count := linearLogRecur(n/2) +
        linearLogRecur(n/2)
    for i := 0.0; i < n; i++ {
        count++
    }
    return count
}
```

=== "JavaScript"

```js title="time_complexity.js"

```

=== "TypeScript"

```typescript title="time_complexity.ts"

```

=== "C"

```c title="time_complexity.c"

```

=== "C#"

```csharp title="time_complexity.cs"
/* 线性对数阶 */
int linearLogRecur(float n)
{
    if (n <= 1) return 1;
    int count = linearLogRecur(n / 2) +
                linearLogRecur(n / 2);
    for (int i = 0; i < n; i++)
    {
        count++;
    }
    return count;
}
```

=== "Swift"

```swift title="time_complexity.swift"
// 线性对数阶
func linearLogRecur(n: Double) -> Int {
    if n <= 1 {
        return 1
    }
    var count = linearLogRecur(n: n / 2) + linearLogRecur(n: n / 2)
    for _ in 0 ..< Int(n) {
        count += 1
    }
    return count
}
```

time_complexity_logarithmic_linear

Fig. 线性对数阶的时间复杂度

阶乘阶 O(n!)

阶乘阶对应数学上的「全排列」。即给定 n 个互不重复的元素,求其所有可能的排列方案,则方案数量为

$$ n! = n \times (n - 1) \times (n - 2) \times \cdots \times 2 \times 1

阶乘常使用递归实现。例如以下代码,第一层分裂出 n 个,第二层分裂出 n - 1 个,…… ,直至到第 n 层时终止分裂。

=== "Java"

```java title="time_complexity.java"
/* 阶乘阶(递归实现) */
int factorialRecur(int n) {
    if (n == 0) return 1;
    int count = 0;
    // 从 1 个分裂出 n 个
    for (int i = 0; i < n; i++) {
        count += factorialRecur(n - 1);
    }
    return count;
}
```

=== "C++"

```cpp title="time_complexity.cpp"
/* 阶乘阶(递归实现) */
int factorialRecur(int n) {
    if (n == 0) return 1;
    int count = 0;
    // 从 1 个分裂出 n 个
    for (int i = 0; i < n; i++) {
        count += factorialRecur(n - 1);
    }
    return count;
}
```

=== "Python"

```python title="time_complexity.py"
""" 阶乘阶(递归实现)"""
def factorial_recur(n):
    if n == 0: return 1
    count = 0
    # 从 1 个分裂出 n 个
    for _ in range(n):
        count += factorial_recur(n - 1)
    return count
```

=== "Go"

```go title="time_complexity.go"
/* 阶乘阶(递归实现) */
func factorialRecur(n int) int {
    if n == 0 {
        return 1
    }
    count := 0
    // 从 1 个分裂出 n 个
    for i := 0; i < n; i++ {
        count += factorialRecur(n - 1)
    }
    return count
}
```

=== "JavaScript"

```js title="time_complexity.js"

```

=== "TypeScript"

```typescript title="time_complexity.ts"

```

=== "C"

```c title="time_complexity.c"

```

=== "C#"

```csharp title="time_complexity.cs"
/* 阶乘阶(递归实现) */
int factorialRecur(int n)
{
    if (n == 0) return 1;
    int count = 0;
    // 从 1 个分裂出 n 个
    for (int i = 0; i < n; i++)
    {
        count += factorialRecur(n - 1);
    }
    return count;
}
```

=== "Swift"

```swift title="time_complexity.swift"
// 阶乘阶(递归实现)
func factorialRecur(n: Int) -> Int {
    if n == 0 {
        return 1
    }
    var count = 0
    // 从 1 个分裂出 n 个
    for _ in 0 ..< n {
        count += factorialRecur(n: n - 1)
    }
    return count
}
```

time_complexity_factorial

Fig. 阶乘阶的时间复杂度

最差、最佳、平均时间复杂度

某些算法的时间复杂度不是恒定的,而是与输入数据的分布有关。 举一个例子,输入一个长度为 n 数组 nums ,其中 nums 由从 1n 的数字组成,但元素顺序是随机打乱的;算法的任务是返回元素 1 的索引。我们可以得出以下结论:

  • nums = [?, ?, ..., 1],即当末尾元素是 1 时,则需完整遍历数组,此时达到 最差时间复杂度 $O(n)$
  • nums = [1, ?, ?, ...] ,即当首个数字为 1 时,无论数组多长都不需要继续遍历,此时达到 最佳时间复杂度 $\Omega(1)$

「函数渐近上界」使用大 O 记号表示,代表「最差时间复杂度」。与之对应,「函数渐近下界」用 \Omega 记号Omega Notation来表示代表「最佳时间复杂度」。

=== "Java"

```java title="worst_best_time_complexity.java"
public class worst_best_time_complexity {
    /* 生成一个数组,元素为 { 1, 2, ..., n },顺序被打乱 */
    int[] randomNumbers(int n) {
        Integer[] nums = new Integer[n];
        // 生成数组 nums = { 1, 2, 3, ..., n }
        for (int i = 0; i < n; i++) {
            nums[i] = i + 1;
        }
        // 随机打乱数组元素
        Collections.shuffle(Arrays.asList(nums));
        // Integer[] -> int[]
        int[] res = new int[n];
        for (int i = 0; i < n; i++) {
            res[i] = nums[i];
        }
        return res;
    }

    /* 查找数组 nums 中数字 1 所在索引 */
    int findOne(int[] nums) {
        for (int i = 0; i < nums.length; i++) {
            if (nums[i] == 1)
                return i;
        }
        return -1;
    }

    /* Driver Code */
    public void main(String[] args) {
        for (int i = 0; i < 10; i++) {
            int n = 100;
            int[] nums = randomNumbers(n);
            int index = findOne(nums);
            System.out.println("打乱后的数组为 " + Arrays.toString(nums));
            System.out.println("数字 1 的索引为 " + index);
        }
    }
}
```

=== "C++"

```cpp title="worst_best_time_complexity.cpp"
/* 生成一个数组,元素为 { 1, 2, ..., n },顺序被打乱 */
vector<int> randomNumbers(int n) {
    vector<int> nums(n);
    // 生成数组 nums = { 1, 2, 3, ..., n }
    for (int i = 0; i < n; i++) {
        nums[i] = i + 1;
    }
    // 使用系统时间生成随机种子
    unsigned seed = chrono::system_clock::now().time_since_epoch().count();
    // 随机打乱数组元素
    shuffle(nums.begin(), nums.end(), default_random_engine(seed));
    return nums;
}

/* 查找数组 nums 中数字 1 所在索引 */
int findOne(vector<int>& nums) {
    for (int i = 0; i < nums.size(); i++) {
        if (nums[i] == 1)
            return i;
    }
    return -1;
}


/* Driver Code */
int main() {
    for (int i = 0; i < 1000; i++) {
        int n = 100;
        vector<int> nums = randomNumbers(n);
        int index = findOne(nums);
        cout << "\n数组 [ 1, 2, ..., n ] 被打乱后 = ";
        PrintUtil::printVector(nums);
        cout << "数字 1 的索引为 " << index << endl;
    }
    return 0;
}
```

=== "Python"

```python title="worst_best_time_complexity.py"
""" 生成一个数组,元素为: 1, 2, ..., n ,顺序被打乱 """
def random_numbers(n):
    # 生成数组 nums =: 1, 2, 3, ..., n
    nums = [i for i in range(1, n + 1)]
    # 随机打乱数组元素
    random.shuffle(nums)
    return nums

""" 查找数组 nums 中数字 1 所在索引 """
def find_one(nums):
    for i in range(len(nums)):
        if nums[i] == 1:
            return i
    return -1

""" Driver Code """
if __name__ == "__main__":
    for i in range(10):
        n = 100
        nums = random_numbers(n)
        index = find_one(nums)
        print("\n数组 [ 1, 2, ..., n ] 被打乱后 =", nums)
        print("数字 1 的索引为", index)
```

=== "Go"

```go title="worst_best_time_complexity.go"
/* 生成一个数组,元素为 { 1, 2, ..., n },顺序被打乱 */
func randomNumbers(n int) []int {
    nums := make([]int, n)
    // 生成数组 nums = { 1, 2, 3, ..., n }
    for i := 0; i < n; i++ {
        nums[i] = i + 1
    }
    // 随机打乱数组元素
    rand.Shuffle(len(nums), func(i, j int) {
        nums[i], nums[j] = nums[j], nums[i]
    })
    return nums
}

/* 查找数组 nums 中数字 1 所在索引 */
func findOne(nums []int) int {
    for i := 0; i < len(nums); i++ {
        if nums[i] == 1 {
            return i
        }
    }
    return -1
}

/* Driver Code */
func main() {
    for i := 0; i < 10; i++ {
        n := 100
        nums := randomNumbers(n)
        index := findOne(nums)
        fmt.Println("\n数组 [ 1, 2, ..., n ] 被打乱后 =", nums)
        fmt.Println("数字 1 的索引为", index)
    }
}
```

=== "JavaScript"

```js title="worst_best_time_complexity.js"

```

=== "TypeScript"

```typescript title="worst_best_time_complexity.ts"

```

=== "C"

```c title="worst_best_time_complexity.c"

```

=== "C#"

```csharp title="worst_best_time_complexity.cs"
/* 生成一个数组,元素为 { 1, 2, ..., n },顺序被打乱 */
int[] randomNumbers(int n)
{
    int[] nums = new int[n];
    // 生成数组 nums = { 1, 2, 3, ..., n }
    for (int i = 0; i < n; i++)
    {
        nums[i] = i + 1;
    }

    // 随机打乱数组元素
    for (int i = 0; i < nums.Length; i++)
    {
        var index = new Random().Next(i, nums.Length);
        var tmp = nums[i];
        var ran = nums[index];
        nums[i] = ran;
        nums[index] = tmp;
    }
    return nums;
}

/* 查找数组 nums 中数字 1 所在索引 */
int findOne(int[] nums)
{
    for (int i = 0; i < nums.Length; i++)
    {
        if (nums[i] == 1)
            return i;
    }
    return -1;
}

/* Driver Code */
public void main(String[] args)
{
    for (int i = 0; i < 10; i++)
    {
        int n = 100;
        int[] nums = randomNumbers(n);
        int index = findOne(nums);
        Console.WriteLine("\n数组 [ 1, 2, ..., n ] 被打乱后 = " + string.Join(",", nums));
        Console.WriteLine("数字 1 的索引为 " + index);
    }
}
```

=== "Swift"

```swift title=""
// 生成一个数组,元素为 { 1, 2, ..., n },顺序被打乱
func randomNumbers(n: Int) -> [Int] {
    // 生成数组 nums = { 1, 2, 3, ..., n }
    var nums = Array(1 ... n)
    // 随机打乱数组元素
    nums.shuffle()
    return nums
}

// 查找数组 nums 中数字 1 所在索引
func findOne(nums: [Int]) -> Int {
    for i in nums.indices {
        if nums[i] == 1 {
            return i
        }
    }
    return -1
}

// Driver Code
func main() {
    for _ in 0 ..< 10 {
        let n = 100
        let nums = randomNumbers(n: n)
        let index = findOne(nums: nums)
        print("数组 [ 1, 2, ..., n ] 被打乱后 =", nums)
        print("数字 1 的索引为", index)
    }
}
```

!!! tip

我们在实际应用中很少使用「最佳时间复杂度」,因为往往只有很小概率下才能达到,会带来一定的误导性。反之,「最差时间复杂度」最为实用,因为它给出了一个“效率安全值”,让我们可以放心地使用算法。

从上述示例可以看出,最差或最佳时间复杂度只出现在“特殊分布的数据”中,这些情况的出现概率往往很小,因此并不能最真实地反映算法运行效率。相对地,「平均时间复杂度」可以体现算法在随机输入数据下的运行效率,用 \Theta 记号Theta Notation来表示

对于部分算法,我们可以简单地推算出随机数据分布下的平均情况。比如上述示例,由于输入数组是被打乱的,因此元素 1 出现在任意索引的概率都是相等的,那么算法的平均循环次数则是数组长度的一半 \frac{n}{2} ,平均时间复杂度为 \Theta(\frac{n}{2}) = \Theta(n)

但在实际应用中,尤其是较为复杂的算法,计算平均时间复杂度比较困难,因为很难简便地分析出在数据分布下的整体数学期望。这种情况下,我们一般使用最差时间复杂度来作为算法效率的评判标准。

!!! question "为什么很少看到 \Theta 符号?"

实际中我们经常使用「大 $O$ 符号」来表示「平均复杂度」,这样严格意义上来说是不规范的。这可能是因为 $O$ 符号实在是太朗朗上口了。</br>如果在本书和其他资料中看到类似 **平均时间复杂度 $O(n)$** 的表述,请你直接理解为 $\Theta(n)$ 即可。