算法的复杂度

算法的复杂度：
	
	概念：算法效率的度量是通过时间复杂度和空间复杂度来描述的。

	时间复杂度：

		概念：
			1)一个语句的频度是指该语句在算法中被重复执行的次数。算法中所有语句的频度之和记作T(n)，它是该算法问题规模n的函数，时间复杂度主要分析T(n)的数量级。
			2)算法中基本运算(注:基本运算是指最深层循环内的语句)的频度与T(n)同数量级，故我们通常 用算法中基本运算的频度f(n)来分析算法的时间复杂度。
		
		表示：
			1)算法的时间复杂度记为：T(n)=O(f(n)) 	
			2)其中"O"的定义：若T(n)和f(n)是定义在正整数集合上的两个函数，则存在正常数C和n0，使得当n>=n0时，都满足0<=T(n)<=C*f(n)
			3)取f(n)中随n增长最快的项(并将其系数置为1)作为时间复杂度的度量。
				eg：若f(n)=a*n^3 + b*n^2 + c*n	，则该算法的时间复杂度为O(n^3)
			4)在分析一个程序的时间复杂度时，一般遵循以下两条规则：
				1>加法规则
					T(n)=T1(n)+T2(n)=O(f(n))+O(g(n))=O(max(f(n),g(n)))
				2>乘法规则
					T(n)=T1(n)*T2(n)=O(f(n))*O(g(n))=O(f(n)*g(n))
					
		常见的时间复杂度：
		
			O(1)<O(logN)<O(N)<O(NlogN)<O(N^2)<O(N^3)<O(2^N)<O(N!)<O(N^N)

			1)常数级别：O(1)
				典型代码：普通语句
				eg： a = b + c;	// 该语句的运行时间不依赖于N
				
			2)对数级别：O(logN)
				典型代码：二分查找
				说明：
					若a^x=N，则x叫做以a为底N的对数，记作：x=logaN，其中a叫做对数的底数，N叫做真数。
					对数的底数和增长的数量级无关(因为不同的底数相当于一个常数因子，即:loga N = b/a * Logb N)，故我们用logN表示对数增长级别。

			3)线性级别：O(N)
				典型代码：单层for循环
				eg：找出集合中的最大元素。

			4)线性对数级别：O(NlogN)
				典型代码：分治法
				eg：归并排序
				
			5)平方级别：O(N^2)
				典型代码：两层循环
				eg：选择排序、插入排序

			6)立方级别：O(N^3)
				典型代码：三层循环

			7)指数级别：O(2^N)

		
		注意：一般总是考虑最坏的时间复杂度，以保证算法的运行时间不会比它更长。
		
		
	空间复杂度：

		概念：
			1)算法所消耗的存储空间是问题规模n的函数，我们使用该函数来分析算法的空间复杂度。

		表示：
			1)算法的空间复杂度记为：S(n)=O(g(n)) 
			
			
	
	
排序：
	
	内部排序(只使用内存)：
		交换排序：
			冒泡排序
			快速排序
			
		选择排序：
			简单选择排序
			堆排序
			
		插入排序：
			直接插入排序
			希尔排序
			
		归并排序
	
	外部排序(内存和外存结合使用)