算法的复杂度：时间复杂度和空间复杂度

算法的复杂度分为：时间复杂度和空间复杂度
1、时间复杂度实际就是一个函数，该函数计算的是执行基本操作的次数；本质就是在计算基本操作重复执行的次数 ，并且大多数情况下分析的是最坏情况的
例如：

 voidTest(int n) 
{ 
  int iConut = 0; 
  for(int i = 0; i < n; ++i) 
 { 
   for(int j = 0; j < n; ++j) 
  { 
    iCount++; 
   } 
  } 
  for(int k = 0; k < 2*n; ++k)
 { 
   iCount++; 
  } 
    int count = 10;//执行10次
    while(count--) 
 { 
      iCount++;
  }
}

  语句总执行次数：f（n）= n^2+ 2*n + 10

然而算法存在最好、平均和最坏情况：
最坏情况：任意输入规模的最大运行次数(上界)
平均情况：任意输入规模的期望运行次数
最好情况：任意输入规模的最小运行次数，通常最好情况不会出现(下界)

例如：在一个长度为N的线性表中搜索一个数据x

最好情况：1次比较

最坏情况：N次比较

平均情况：N/2次比较

在实际中通常关注的是算法的最坏运行情况，即：任意输入规模N，

算法的最长运行时间

计算机的两个准则：

1、    忽略掉那些常数

2、关注函数式中增长最快表达式

	最差时间分析	平均时间复杂度	稳定度	空间复杂
冒泡排序	O(n2)	O（n2）	稳定	O（1）
快速排序	O(n2)	O（n*log2n）	不稳定	O（log2n）~O(n)
选择排序	O(n2)	O(n2)	稳定	O（1）
二叉树排序	O(n2)	O（n*log2n）	不稳定	O（n）
插入排序	O(n2)	O(n2)	稳定	O（1）
堆排序	O（n*log2n）	O（n*log2n）	不稳定	O（1）
希尔排序	O	O	不稳定	O（1）

2、普通情况下的空间复杂度

   空间复杂度就是函数中创建对象的个数关于问题规模函数表达式，一般情况用O的渐进表示法表示。
对于一个算法来说，空间复杂度和时间复杂度往往是相互影响的。当追求一个较好的时间复杂度时，可能会使空间复杂度的性能变差，即可能导致占用较多的存储空间；反之，当追求一个较好的空间复杂度时，可能会使时间复杂度的性能变差，即可能导致占用较长的运行时间。

有时我们可以用空间来换取时间以达到目的。