大O表示时间复杂度（最差的情况）

大O表示时间复杂度（最差的情况）

一、时间复杂度

衡量一个算法的快慢，一定要考虑数据规模的大小。所谓数据规模，一般指输入的数字个数、输入中给出的图的点数与边数等等。一般来说，数据规模越大，算法的用时就越长。而在算法竞赛中，我们衡量一个算法的效率时，最重要的不是看它在某个数据规模下的用时，而是看它的用时随数据规模而增长的趋势，即时间复杂度。
T(n)=O(f(n))
O代表正比例关系；
n代表执行次数；
其他复杂度指标
big Omega:最好的情况
big theta:一个算法的区间

二、代码示例

1、示例1

for(int=i;i<=n;i++)
{
    x++;
}

结果为：$$O(1+3N)=O(N)$$
N趋向于无限大，忽略常数和倍数

2、示例2

for(int=i;i<=n;i++)
{
   for(int j;j<=n;j++){
    x++;
   }
}

结果为：
$$O(n^2)$$

3、示例3

for(int=i;i<=n;i++)
{
    x++;
}
for(int=i;i<=n;i++)
{
   for(int j;j<=n;j++){
    x++;
   }
}

结果为：
$$O(n+n^2)=O(n^2)$$

4、示例4

int i=1;
while(i<n){
    i=i*2;
}

结果为：
$$O（logN）$$
2^k=n;
k=logN;

常见空间复杂度

示例一：$$O(1)$$

int x=0;
int y=0;
x++;
y++;

示例二：

$$O(n)$$

int[]newArray=new int[n];
for(int i=0;i<n;i++)
{
    newArray[i]=i;
}