时间复杂度
在数据结构和算法中，有两种方法来衡量时间复杂度
- 事后统计法
- 大O复杂度表示法
事后统计法
把代码实际跑一遍，然后分析，统计和监控算法执行的时间和占用的内存大小。但是这种方法有很大的局限性
- 测试结果非常依赖测试环境：
测试环境的硬件不同会对结果有很大的影响，比如相同的代码在不同的处理器结果肯定不同 - 测试结果受测试数据的规模大小的影响：
比如对同一个排序算法，待排序数据的有序度不一样，排序的执行时间就会有很大的差别。另外，如果测试数据过小，也可能无法真是反应算法的性能，比如对于小规模的数据排序，插入排序可能反倒比快速排序要快
大O时间复杂度表示法
时间复杂度的分析方法：
- 只关注循环执行次数最多的一段代码
- 加法法则：总复杂度等于量级最大的那段代码的复杂度
- 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积
常见的时间复杂度分析
常见复杂度分析
复杂度的量级有可以分为 多项式量级 和 非多项式量级
- 非多项式量级：O(2^n) 和 O(n!)，非常低效的算法，执行时间会随数据的规模急剧增加
- 多项式量级：剩下的
1. O(1)
一般情况下，只要算法的代码中，不存在循环语句，递归，即使代码有很多，时间复杂度也是O(1)
O(logn), O(nlogn)
在采用大O复杂度分析的情况下，可以忽略系数，比如 O(Cf(n)) = O(f(n))
O(m+n), O(m*n)
因为m，n两个数据规模，我们无法评估谁的规模比较大，所有我们不能省略某一个
空间复杂度
常见的空间复杂度有 O(1),O(n),O(n2),O(logn),O(nlogn)。空间复杂度相对比较简单，而且一般使用到的都是O(1),O(n),O(n2)。
复杂度比较分析
复杂度比较
