数据结构时间复杂度怎么求？
简单理解，时间复杂度就是执行语句被调用了多少次。 (1)如果只调用了一次，如： x=5; if(x<-4) {x=x+4;} else {x=x+3;} 在大括号中的内容，只会调用一个语句，那么O(n)=1; (2)如果调用了两次，如： x=5; if(x<-4) {x=x+4;} else {x=x+3;} x=x+56; 在大括号中的内容，只会调用一个语句，但是在最后，还有一个计算公式要调用语句；总共加起来就是调用2次。那么O(n)=2; （3）用1个FOR循环调用 for(x=0;x<n;x++) {x=”x+1;}” x会从0到n-1循环，执行的语句就是将当前x值加入新的x中，总共调用n次；那么o(n)=”n;” (4）用2个嵌套for循环调用=”” for(x=”0;x<n;x++)” {=”” for(y=”1;y<=n;y++)” }=”” 遇到嵌套循环，可以先将外面的for语句中的变量固定为初始值x=”0，主要看里面的FOR语句的时间复杂度，很明显，里面语句执行次数是从1到n总共调用n次，O(n)=n；这还只是x=0时的调用。x可以从0到n-1，共n次。每次调用都会执行n次调用y的情况，因此，执行语句x=x+y；总共会调用n*n次。O(n)=n^2。” 数执行语句的执行次数，就是时间复杂度。注意：=”” (1)找到正确的执行语句。=”” (2)for循环中的初始值和终止值。=”” for(i=”0;i<n;i++)” i值变化是从0到n-1，共n次。=”” i值变化是从0到n，共n+1次。=”” (3)注意for循环的调用顺序，从里面到外面进行的。=””>
什么叫线性时间复杂度？
线性时间复杂度，就是时间复杂度为线性阶O(n)。同一问题可用不同算法解决，而一个算法的质量优劣（或者说算法复杂度）可由时间复杂度和空间复杂度来评价。算法的时间复杂度是指执行算法所需要的计算工作量，即度量算法执行的时间长短，它定量描述了该算法的运行时间。
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),。
随着问题规模n的不断增大，时间复杂度不断增大，算法的执行效率越低。
程序段的时间复杂度怎么算？
当输入量n逐渐加大时，时间复杂性的极限情形称为算法的“渐近时间复杂性”。
我们常用大O表示法表示时间复杂性，注意它是某一个算法的时间复杂性。大O表示只是说有上界，由定义如果f(n)=O(n)，那显然成立f(n)=O(n^2)，它给你一个上界，但并不是上确界，但人们在表示的时候一般都习惯表示前者。
此外，一个问题本身也有它的复杂性，如果某个算法的复杂性到达了这个问题复杂性的下界，那就称这样的算法是 最佳算法。
“大O记法”：在这种描述中使用的基本参数是
n，即问题实例的规模，把复杂性或运行时间表达为n的函数。这里的“O”表示量级 (order)，比如说“二分检索是 O(logn)的”,也就是说它需要“通过logn量级的步骤去检索一个规模为n的数组”记法 O ( f(n) )表示当 n增大时，运行时间至多将以正比于 f(n)的速度增长。
这种渐进估计对算法的理论分析和大致比较是非常有价值的，但在实践中细节也可能造成差异。例如，一个低附加代价的O(n2)算法在n较小的情况下可能比一个高附加代价的 O(nlogn)算法运行得更快。当然，随着n足够大以后，具有较慢上升函数的算法必然工作得更快。
排序算法的时间复杂度计算？
算法的时间复杂度的计算方法为：
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，保留高阶项；
3、如最高阶项存在且不是1，则去除与这个项相乘的常数；
4、当n增大到一定值，n的幂次最高的项对时间复杂度影响最大，其它常数项和低幂次项可忽略不计。
总结：一个算法所耗费的时间等于算法中每条语句的执行时间之和，算法转换为程序后，每条语句执行一次所需的时间取决于机器的指令性能、速度以及编译所产生的代码质量等难以确定的因素。
程序段的时间复杂度？
此题运行时间取决于n的大小，计作：T(n) = n 时间复杂度为：O(n) 定义： 若存在函数 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）的同数量级函数。 记作 T（n）= O（f（n）），称O（f（n）） 为算法的渐进时间复杂度，简称时间复杂度。
对于算法的评价有哪两个基本标准？
数据结构中评价算法的两个重要指标是时间复杂度和空间复杂度。
同一问题可用不同算法解决，而一个算法的质量优劣将影响到算法乃至程序的效率。算法分析的目的在于选择合适算法和改进算法。一个算法的评价主要从时间复杂度和空间复杂度来考虑。
1、时间复杂度：
算法的时间复杂度是指执行算法所需要的计算工作量。一般来说，计算机算法是问题规模n 的函数f(n)，算法的时间复杂度也因此记做。
2、空间复杂度：
算法的空间复杂度是指算法需要消耗的内存空间。其计算和表示方法与时间复杂度类似，一般都用复杂度的渐近性来表示。同时间复杂度相比，空间复杂度的分析要简单得多。
算法的时间复杂度表征的是？
在描述算法复杂度时,经常用到o(1), o(n), o(logn), o(nlogn)来表示对应算法的时间复杂度。这里进行归纳一下它们代表的含义:这是算法的时空复杂度的表示。不仅仅用于表示时间复杂度，也用于表示空间复杂度。
O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。
比如时间复杂度为O(n)，就代表数据量增大几倍，耗时也增大几倍。比如常见的遍历算法。
再比如时间复杂度O(n^2)，就代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。比如冒泡排序，就是典型的O(n^2)的算法，对n个数排序，需要扫描n×n次。
再比如O(logn)，当数据增大n倍时，耗时增大logn倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）。二分查找就是O(logn)的算法，每找一次排除一半的可能，256个数据中查找只要找8次就可以找到目标。
O(nlogn)同理，就是n乘以logn，当数据增大256倍时，耗时增大256*8=2048倍。这个复杂度高于线性低于平方。归并排序就是O(nlogn)的时间复杂度。
O(1)就是最低的时空复杂度了，也就是耗时/耗空间与输入数据大小无关，无论输入数据增大多少倍，耗时/耗空间都不变。 哈希算法就是典型的O(1)时间复杂度，无论数据规模多大，都可以在一次计算后找到目标（不考虑冲突的话）
