算法时间复杂度可表示为

❶ 利用Dijkstra算法求下图中从顶点1到其它各顶点间的最短路径，按下面表格形式

v1到v2：10为最短路径；

v1到v3：7为最短路径；

v1到v4：8为最短路径；

v1到v5：v1-> v2 -> v5 =10+6= 16；v1v3v5=7+9=16;v1v4v6v5=8+5+2=15; 15为最短路径；

v1到v6：v1v2v3v6=10+2+9=21；v1v3v6=7+9=16；v1v4v6=8+5=13；13为最短路径；

v1到v7：v1v2v5v7=10+6+20=36；v1v3v5v7=7+9+20=36；v1v3v6v7=7+9+30=46；

v1v4v6v7=8+5+30=42；v1v4v6v5v7=35；35为最短路径

Dijkstra：

求单源、无负权的最短路。时效性较好，时间复杂度为O（V*V+E）。源点可达的话，O（V*lgV+E*lgV）=>O（E*lgV）。当是稀疏图的情况时，此时E=V*V/lgV，所以算法的时间复杂度可为O（V^2）。若是斐波那契堆作优先队列的话，算法时间复杂度，则为O（V*lgV + E）。

以上内容参考：网络-最短路径算法

❷ 一个算法的基本操作执行次数为(3n2+2nlog2n+4n-7)/(5n)，则其时间复杂度表示为

算法的时间复杂度是看基本操作的次数，但是基本操作在具体的程序分析时可能不一样，有的在意元素之间比较的次数，有的在意元素插入或移位的次数，答案为O（n^1/2）可能是因为指定了某种特定的操作作为基本操作。
但是如果给定的基本操作次数为(3n2+2nlog2n+4n-7)/(5n)，则时间复杂度应该为O（n）
个人理解，如有不对，请批评指正

❸ 算法时间复杂度的表示法O(n²)、O(n)、O(1)、O(nlogn)等是什么意思

算法的时间复杂度是一个函数，它定量描述了该算法的运行时间。这是一个关于代表算法输入值的字符串的长度的函数。时间复杂度常用大O符号表述,随着模块n的增大，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，算法的时间复杂度越低，算法的效率越高.

例：算法：

for(i=1;i<=n;++i)
{
for(j=1;j<=n;++j)
{
c[i][j]=0;//该步骤属于基本操作执行次数：n的平方次
for(k=1;k<=n;++k)
c[i][j]+=a[i][k]*b[k][j];//该步骤属于基本操作执行次数：n的三次方次
}
}

则有 T(n) = n 的平方+n的三次方，根据上面括号里的同数量级，我们可以确定 n的三次方 为T（n）的同数量级

则有 f(n) = n的三次方，然后根据 T(n)/f(n) 求极限可得到常数c

则该算法的时间复杂度：T(n) = O(n^3)

❹ 算法时间复杂度

O(N!)、O(2 ^N)、O(N 2)、O(NlogN)、O(N)、O(logN)、O(1)...
代表： 最坏情况的用时

一个正整数的阶乘（factorial）是所有小于及等于该数的正整数的积，并且0的阶乘为1。自然数n的阶乘写作n!。1808年，基斯顿·卡曼引进这个表示法。

N 的 N 次方，^ 是上标的意思

如果 aˣ = N（a>0，且a≠1），那么数 x 叫做以 a 为底 N 的对数，记作 x=logaN，读作以 a 为底 N 的对数，其中 a 叫做对数的底数，N 叫做真数。
其中 x 是自变量，函数的定义域是（0，+∞），即 x>0。它实际上就是指数函数的反函数，可表示为 x= aʸ 。因此指数函数里对于 a 的规定，同样适用于对数函数。

描述算法复杂度时,常用o(1), o(n), o(logn), o(nlogn)表示对应算法的时间复杂度，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。

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，线性增长，比如常见的：

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：

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。比如：

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）。比如：

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。 比如：

代入 N 以后的数值，和耗时的关系， 10 ^ 8 => 秒级 ，最大的 N 分别是：