1.时间复杂度与空间复杂度概要

一、 算法时间复杂度

• 符号：O(f(n))
• 含义：某个算法需要执行的指令数的量级
• 定义：
  • 学术界：算法执行上界
  • 工业界：算法执行的最低上界
• 注意点：通常算法时间复杂度与算法所处环境有关，如插入排序最差情况为O(n^2)，最好情况为O(1)，但一般所说的插入排序的时间复杂度为O(n^2)是平均情况(绝大多数情况下的复杂度)，快速排序同理，最差为O(n^2)，最好情况为O(nlogn)，而平均情况为O(nlogn)，这也就表示为快速排序的平均情况。

二、空间复杂度：

• 符号：O(f(n))
• 含义：算法运行过程中额外开辟的空间的大小
• 注意点：当有递归时，还需要考虑递归所占的空间，因为需要保存断点以及临时变量，通常来说，递归本身所需的空间复杂度为O(递归深度)

三、数据规模：

• 条件：运行10^8个指令需要一秒(通常来说)，所以如果需要在1秒内执行完毕某个算法，
• 当一个算法是O(n^2)，数据规模必须小于10^4，而由于每个数据的执行指令通常大于1，所以一般来说，当数据规模小于10^3时，才能保证一定能在1秒内执行完毕某个算法。
• 当一个算法是O(nlogn)，数据规模必须小于10^7，而保险来看，数据规模必须小于10^6。
• 而当一个算法是O(n)，数据规模必须小于10^8，而保险来看，数据规模必须小于10^7。