复杂度分析

1.复杂度
　　也叫渐进复杂度，包括时间复杂度和空间复杂度。用来分析算法执行效率与数据规模之间的增长关系。越高阶复杂度的算法，执行效率越低。
2.时间复杂度
　　所有代码的执行时间T(n)与每行代码的执行次数n成正比。
　　大O时间复杂度表示法：T(n) = O(f(n))
　　T(n):代码执行时间
　　n:数据规模大小
　　f(n):每行代码执行的次数总和
　　注意：大O时间复杂度表示法并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势。也叫渐进时间复杂度。
3.时间复杂度分析：算法的执行时间与数据规模之间的增长关系。
　　方法：
　　（1）只关注循环执行次数最多的那段代码。这段代码执行次数的n的量级，就是整段要分析的代码的时间复杂度。
　　（2）加法法则：总复杂度等于量级最大的那段代码的复杂度。
　　　　T1(n) = O(f(n))，T2(n) = O(g(n)) -------》 T(n) = T1(n) + T2(n) = max( O(f(n))，O(g(n)) ) = O( max( f(n)，g(n) ) )
　　　　注意：当有m、n两个数据规模时,T(n) = T1(m) + T2(n) = O(f(m))+O(g(n))
　　（3）乘法法则：嵌套代码的时间复杂度等于嵌套的内外代码复杂度的乘积。
　　　　T1(n) = O(f(n))，T2(n) = O(g(n)) -------》 T(n) = T1(n) * T2(n) = O(f(n) * O(g(n)) = O(f(n) * g(n))
　　　　注意：当有m、n两个数据规模时,上式仍然有效。
4.复杂度量级
多项式量级：
（1）常量阶 O(1) ：不存在循环、递归语句
（2）对数阶 O(log n)
（3）线性阶 O(n)
（4）线性对数阶 O(nlog n) ：归并排序、快速排序
（5）平方阶 O(n^{2)…k次方阶O(n}k)
非多项式量级：不常见
（6）指数阶 O(2^n)
（7）阶乘阶 O(n!)
5.空间复杂度分析：算法的存储空间与数据规模之间的增长关系。（全称渐进空间复杂度）
常见：O(1)，O(n)，O(n^2)
6.为什么要进行复杂度分析
（1）测试结果非常依赖测试环境
（2）测试结果受数据规模的影响很大

参考：王争《数据结构与算法之美》