复杂度分析

时间复杂度

时间复杂度：表示代码执行时间随数据规模增长的变化趋势。一般会去掉系数和常量
公式：T(n)=O(f(n))
T(n)表示代码执行的时间
n表示数据规模的大小
f(n)表示每行代码执行的次数总和
O表示代码执行时间T(n)与f(n)表达式成正比

分析方法：
1.只关注循环执行次数最多的一段代码
2.加法法则：总复杂度等于量级最大的代码的复杂度
3.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

常见量级：
常量阶O(1)、对数阶O(logN)、线性阶O(n)、线性对数阶O(nlogN)、平方阶O(n²)，立方阶O(n³）、指数阶、阶乘

NP问题：时间复杂度为非多项式量级的算法问题（阶乘O(n!)、指数O(2的n次方)）

空间复杂度

空间复杂度：表示算法的存储空间与数据规模之间的增长关系。

一般指的是算法中使用到的空间存储变量大小
常见的：O(1),O(n),O(n²)

四种情况

最好、最坏、平均、均摊（少见）

最好：理想情况下执行代码的时间复杂度
最坏：最糟糕的情况下执行代码的时间复杂度（比如给倒序数组正序排序）
平均：就是各种情况发生概率的期望值
均摊：通过摊还分析得到的时间复杂度